การแปลง PDF สแกนเป็น Excel มักสำเร็จหรือพลาดตั้งแต่ก่อนเริ่มรู้จำตัวอักษร หากหน้ากระดาษเอียงเล็กน้อย เส้นตารางซีด หรือพื้นหลังไม่สม่ำเสมอ ระบบ OCR อาจแยกคอลัมน์ผิด รวมหลายแถวเข้าด้วยกัน หรืออ่านค่าบางช่องหล่นไปทั้งที่คนยังมองออกชัด ดังนั้นคำถามสำคัญจึงไม่ใช่แค่ว่าจะใช้เครื่องมือใด แต่คือควรปรับสภาพหน้ากระดาษอย่างไร และควรหลีกเลี่ยงการปรับแบบไหนก่อนส่งต่อไปยังขั้นตอนสร้างตาราง
บทความนี้เน้นมุมปฏิบัติสำหรับการแก้หน้ากระดาษเอียงและเส้นตารางจางก่อนทำ OCR ลงสเปรดชีต โดยไม่ลงรายละเอียดเรื่องการตรวจสอบยอดรวมทีละแถวหรือการกระทบยอดข้อมูลหลังแปลงเสร็จ หากต้องการดูหน้าข้อมูลเกี่ยวกับเครื่องมือและสถานะการใช้งาน สามารถดูได้ที่ ข้อมูล OCR PDF to Excel
เริ่มจากโครงสร้างของหน้า ไม่ใช่รูปแบบใน Excel
เวลาพูดถึงการแปลง PDF สแกนเป็น Excel หลายคนมักกังวลก่อนเลยว่าไฟล์ปลายทางจะจัดช่องเหมือนต้นฉบับหรือไม่ แต่ในทางปฏิบัติ สิ่งที่สำคัญกว่าคือ หลังสแกนแล้ว หน้ากระดาษนั้นยังมีลักษณะเป็น “ตาราง” ชัดพอให้ระบบตีความหรือไม่
มองกระบวนการแบบสั้น ๆ ได้ดังนี้
- OCR อ่านตัวอักษรและตัวเลข
- ระบบแยกตารางคาดเดาโครงสร้างแถวและคอลัมน์
- ผลลัพธ์ใน Excel ขึ้นกับทั้งสองส่วนพร้อมกัน
ถ้าข้อความยังอ่านออก แต่เส้นตารางอ่อนมาก ระบบอาจอ่านคำได้ถูกแต่ใส่ผิดคอลัมน์ ถ้าเส้นตารางยังพอมองเห็น แต่ทั้งหน้าเอียงเพียงไม่กี่องศา ขอบเขตแถวก็อาจคลาดเคลื่อนได้ จึงควรจัดการเรื่องมุมหน้า ความคม และความต่างระดับของภาพก่อนค่อยคิดถึงการเก็บรายละเอียดในสเปรดชีต
ตัวอย่างเอกสารจริง: ตารางสรุปใบแจ้งหนี้ที่เอียงเล็กน้อย
ลองนึกถึงไฟล์ PDF ที่ได้จากการสแกนใบแจ้งยอดผู้ขาย 2 หน้า โดยตารางสรุปมีปัญหาดังนี้
- หน้ากระดาษเอียงไปทางขวาเล็กน้อย
- เอกสารถูกถ่ายสำเนาจากกระดาษอีกชั้น ทำให้พื้นหลังออกเทา
- เส้นแนวนอนพอมองเห็น แต่เส้นแนวตั้งจางมาก
- คอลัมน์ยอดเงินคมชัดกว่าคอลัมน์วันที่
ถ้านำไฟล์นี้ไปแปลง PDF สแกนเป็น Excel ทันที มักเกิดผลแบบนี้
- วันที่กับเลขอ้างอิงถูกจับรวมเป็นคอลัมน์เดียว
- ช่องว่างถูกตีความเป็นการขึ้นบรรทัดใหม่
- คอลัมน์ยอดรวมเลื่อนไปทางขวา
- แถวสุดท้ายถูกรวมกับหมายเหตุด้านล่าง
ปัญหาไม่ได้อยู่ที่การอ่านตัวอักษรอย่างเดียว แต่เกิดจากระบบต้อง “เดา” ขอบเขตตารางจากสัญญาณภาพที่ไม่ชัด ในกรณีลักษณะนี้ การเตรียมหน้ากระดาษอย่างพอดีก่อนทำ OCR มักมีผลมากกว่าการลองเปลี่ยนตัวแปลงหลายตัวกับไฟล์เดิมที่ยังไม่ปรับ
แก้ความเอียงก่อน เพราะมีผลกับทุกคอลัมน์
โดยทั่วไป การปรับหน้ากระดาษให้ตรงควรเป็นขั้นตอนแรก แม้จะเอียงเพียงเล็กน้อย ก็ทำให้แนวคอลัมน์จากด้านบนลงล่างดูไม่สอดคล้องกัน
ลำดับที่ใช้งานได้จริงมีดังนี้
- ตรวจว่าขอบกระดาษ แนวตัวอักษร หรือเส้นตารางเอียงหรือไม่
- หมุนหรือปรับความเอียงจนแนวข้อความหลักดูขนานกับแนวนอน
- เช็กแถวกลางหน้าและแถวล่างว่าคอลัมน์ยังตรงแนวเดียวกัน
- เมื่อมุมหน้าเสถียรแล้ว ค่อยไปปรับความต่างระดับหรือเส้นตาราง
เหตุผลที่ควรทำตามลำดับนี้
- ถ้ายังเอียงอยู่ การเพิ่มความคมอาจไปเน้นขอบผิดตำแหน่ง
- การตรวจจับเส้นตารางทำได้ดีกว่าเมื่อแถวอยู่ในแนวราบ
- การครอบเฉพาะส่วนตารางทำได้ง่ายขึ้นเมื่อทราบมุมที่ถูกต้องแล้ว
กฎง่าย ๆ คือ ถ้าตาเปล่ายังเห็นว่าเอียง ก็ควรแก้ก่อนเสมอ แต่ถ้าเอกสารถูกถ่ายจากมือถือแล้วเกิดความโค้งของหน้า ไม่ได้เอียงแบบหมุนทั้งแผ่น การปรับด้วยซอฟต์แวร์อย่างเดียวอาจช่วยได้น้อย การสแกนใหม่หรือถ่ายใหม่ให้หน้าเรียบมักให้ผลดีกว่า
ทำให้เส้นตารางจางอ่านง่ายขึ้น โดยไม่ทำลายตัวเลข
เส้นตารางจางเป็นปัญหาที่แก้ยาก เพราะถ้าดันความเข้มแรงเกินไป อาจทำให้จุดทศนิยม เครื่องหมายจุลภาค หรือเลขเส้นบางหายไปด้วย
เป้าหมายไม่ใช่ทำให้ภาพดูเข้มจัด แต่คือทำให้ขอบเขตตารางชัดขึ้นเล็กน้อยโดยยังรักษารูปร่างของตัวอักษรและตัวเลขไว้
แนวทางที่ควรลองทีละขั้น
- เพิ่มความต่างระดับของภาพเพียงเล็กน้อย โดยเฉพาะเมื่อพื้นหลังออกเทา
- ปรับความสว่างให้พื้นกระดาษใกล้เคียงสีขาวมากขึ้น
- ลดจุดรบกวนเล็ก ๆ จากการถ่ายสำเนาหรือฝุ่นสแกน
- เพิ่มความคมแบบอ่อน ๆ เฉพาะเมื่อเลขยังฟุ้ง
- ตรวจอีกครั้งว่าเส้นตารางเด่นขึ้นจริง ไม่ใช่แค่ทั้งหน้ามืดขึ้น
สิ่งที่ควรหลีกเลี่ยง
- เปลี่ยนเป็นขาวดำจัดเร็วเกินไป
- เพิ่มความคมมากเกินจนเส้นหนาและเลขผิดรูป
- ลดสัญญาณรบกวนแรงเกินจนจุดทศนิยมหรือเครื่องหมายลบหาย
- ปรับทั้งหน้า ทั้งที่จริงมีปัญหาเฉพาะบริเวณตาราง
ถ้าเส้นตารางเกือบมองไม่เห็นอยู่แล้ว การครอบเฉพาะส่วนตารางมักช่วยได้มากกว่าการเร่งความเข้มทั้งหน้า เพราะช่วยตัดตราประทับ โลโก้ ขอบกระดาษ และข้อความส่วนอื่นที่รบกวนการตีความโครงสร้าง
ครอบส่วนที่รบกวน และแยกพื้นที่ที่ไม่ใช่ตารางออกจากกัน
สาเหตุที่การแยกตารางล้มเหลวบ่อยครั้ง คือหนึ่งหน้ามีหลายโซนภาพ เช่น หัวเอกสาร ที่อยู่ ตาราง หมายเหตุ และลายเซ็น หากส่งทั้งหมดเข้า OCR รอบเดียว ระบบอาจสับสนว่าตารางเริ่มตรงไหนและจบตรงไหน
ก่อนแปลง PDF สแกนเป็น Excel ควรถามก่อนว่า หน้านี้ควรถูกแยกเป็นส่วน ๆ หรือไม่
กรณีที่เหมาะกับการครอบหรือแยกส่วน ได้แก่
- ตารางหลักที่อยู่กลางหน้าและมีขอบว่างด้านบนล่างมาก
- ตารางที่มีตราประทับหรือโน้ตเขียนมือทับอยู่ด้านข้าง
- รายงานที่มีกราฟวางเหนือข้อมูลตาราง
- เอกสารที่มีเงื่อนไขหรือหมายเหตุชิดอยู่ใต้แถวสุดท้าย
แนวปฏิบัติที่ใช้ได้จริงคือ เก็บไฟล์ PDF ฉบับเต็มไว้เป็นเอกสารอ้างอิง แต่ตัดเฉพาะส่วนตารางเพื่อใช้ในขั้นตอน OCR ลงสเปรดชีต วิธีนี้ไม่ได้รับประกันผลลัพธ์เสมอไป แต่ช่วยลดการแยกแถวผิดและการรวมคอลัมน์โดยไม่ตั้งใจได้บ่อย
เช็กลิสต์สั้น ๆ ก่อนเริ่ม OCR
| จุดตรวจ | สิ่งที่ควรสังเกต | การตัดสินใจ |
|---|---|---|
| มุมหน้า | ตัวอักษรหรือแถวเอียงซ้ายขวา | ปรับความเอียงก่อน |
| พื้นหลัง | กระดาษอมเทา มีเงา หรือไม่สม่ำเสมอ | ปรับความสว่างและความต่างระดับแบบอ่อน |
| เส้นตาราง | เส้นแนวตั้งหรือแนวนอนจางมาก | เพิ่มความชัดของเส้นอย่างระมัดระวัง |
| สิ่งรบกวน | โลโก้ ตราประทับ หมายเหตุ ท้ายหน้า | ครอบเฉพาะส่วนตาราง |
| ขอบตัวเลข | เลขฟุ้ง แตก หรือบางเกิน | หลีกเลี่ยงขาวดำจัด เพิ่มความคมเพียงเล็กน้อย |
| รูปทรงหน้า | หน้ากระดาษโค้งจากการถ่ายภาพ | ถ้าเป็นไปได้ให้สแกนหรือถ่ายใหม่ |
เช็กลิสต์นี้มีประโยชน์เพราะช่วยให้โฟกัสที่ “ความอ่านง่ายเชิงโครงสร้าง” สำหรับระบบ มากกว่าการแต่งภาพให้ดูสวยด้วยตา
รู้ว่าเมื่อไรการปรับภาพช่วย และเมื่อไรยิ่งทำให้แย่ลง
การปรับหลายชั้นไม่ได้หมายความว่าจะดีขึ้นเสมอไป บางหน้ากระดาษยิ่งผ่านการประมวลผลซ้ำยิ่งเสียรายละเอียด ควรหยุดเมื่อเริ่มเห็นอาการเหล่านี้
- ขอบตัวอักษรสูญเสียรายละเอียดเล็ก ๆ
- จุดทศนิยมหรือเครื่องหมายวรรคตอนเริ่มจาง
- เส้นตารางกลายเป็นปื้นหนาแทนที่จะเป็นเส้น
- ตัวอักษรเกิดขอบฟุ้งหรือหยักมากขึ้น
- พื้นหลังขาวสะอาดขึ้น แต่คอลัมน์ยังแยกไม่ชัด
ถ้าเกิดอาการเหล่านี้ ข้อจำกัดอาจอยู่ที่ต้นฉบับจริง ๆ เช่น เอกสารแฟกซ์ที่เส้นแนวตั้งหายไปบางส่วน หรือไฟล์สแกนความละเอียดต่ำที่คนยังเดาตัวเลขได้ แต่ระบบแยกได้ยาก ต่อให้ปรับเพิ่มอีกก็อาจไม่สามารถกู้ข้อมูลที่หายไปจากต้นทางได้
นี่จึงเป็นเหตุผลที่ไม่ควรคาดหวังว่าการแปลง PDF สแกนเป็น Excel จะรักษารูปแบบได้สมบูรณ์ทุกครั้ง OCR ช่วยสร้างตารางกลับมาได้ระดับหนึ่ง แต่คุณภาพต้นฉบับ คราบรอยประทับ การไฮไลต์ และความเสียหายของงานพิมพ์ ล้วนมีผลต่อความแม่นยำของโครงสร้าง
ลำดับการทำงานที่นำไปใช้ซ้ำได้
ถ้าต้องทำกับเอกสารยาก ๆ หลายชุด ใช้ลำดับนี้เป็นแนวทางได้
- เลือกหนึ่งหน้าที่เป็นตัวแทนของปัญหามาทดลองก่อน
- ปรับหน้ากระดาษให้ตรงจนแนวข้อความและแถวอยู่ในระดับเดียวกัน
- ครอบเฉพาะส่วนตาราง หากมีเนื้อหาอื่นล้อมรอบมาก
- ทำความสะอาดพื้นหลังด้วยการปรับความต่างระดับและลดจุดรบกวนแบบอ่อน
- ช่วยให้เส้นตารางจางเห็นชัดขึ้นโดยไม่กดทับรายละเอียดของตัวเลข
- ทดสอบ OCR กับตัวอย่างขนาดเล็ก แล้วตรวจว่าคอลัมน์แยกถูกหรือไม่
- ถ้าผลดีขึ้น ค่อยใช้การตั้งค่าเดียวกันกับหน้าที่คล้ายกันทั้งชุด
- ถ้าไม่ดีขึ้น ให้ลดการปรับภาพลง หรือหาต้นฉบับสแกนที่ดีกว่า แทนการซ้อนตัวกรองเพิ่มไปเรื่อย ๆ
หัวใจสำคัญคือความสม่ำเสมอ หากเอกสารทั้งชุดมาจากเครื่องสแกนเดียวกันและแบบฟอร์มคล้ายกัน การตั้งค่าการเตรียมภาพชุดเดียวอาจใช้ได้กับหลายหน้า แต่ถ้าปะปนทั้งภาพถ่ายมือถือ สำเนาเอกสาร และแฟกซ์ ควรแยกกลุ่มและปรับตามสภาพจริง
ข้อจำกัดที่ควรคำนึงไว้
แม้จะเตรียมหน้ากระดาษอย่างระมัดระวัง การแปลง PDF สแกนเป็น Excel ก็ยังมีข้อจำกัด เช่น
- เส้นตารางที่จางมากหรือขาดหาย อาจทำให้แยกคอลัมน์ไม่ได้สม่ำเสมอ
- ช่องที่ถูกรวมกันหรือข้อความหลายบรรทัดในเซลล์เดียว ทำให้ขอบเขตแถวสับสน
- ลายมือ ตราประทับ และไฮไลต์อาจรบกวนโครงสร้างของตาราง
- ไฟล์สแกนความละเอียดต่ำอาจทำให้เลขบางตัวดูคล้ายกันเกินไป
- ภาพถ่ายที่มีมุมเอียงเชิงมิติหรือหน้ากระดาษโค้ง อาจต้องถ่ายใหม่มากกว่าปรับด้วยซอฟต์แวร์
สรุปในทางปฏิบัติคือ เริ่มจากแก้ความเอียงก่อน ปรับพื้นหลังและความต่างระดับอย่างพอดี แยกเฉพาะส่วนตาราง และหยุดทันทีเมื่อการปรับภาพเริ่มทำลายรายละเอียดของข้อความ