Việc chuyển PDF sang Excel thường khá đơn giản nếu bảng chỉ nằm trong một trang. Trường hợp khó hơn là báo cáo, sao kê hoặc bảng xuất dữ liệu kéo dài qua nhiều trang. Lúc đó, các lỗi như lặp tiêu đề cột, tách đôi một dòng dữ liệu hoặc thiếu dòng thường xuất hiện.
Cách an toàn nhất là không xem đây chỉ là một lần chuyển đổi. Hãy coi đó là một quy trình ngắn: xem cấu trúc tệp PDF, tách theo trang hoặc theo nhóm trang nếu cần, gộp cẩn thận rồi kiểm tra nhanh trước khi sử dụng. Nếu bạn muốn xem trang thông tin của Sanreader về chủ đề này, hãy xem trang thông tin PDF sang Excel.
Bắt đầu từ kiểu bảng, không phải từ công cụ
Trước khi chuyển, hãy nhìn cách bảng chạy xuyên suốt các trang.
Các mẫu thường gặp trong bảng nhiều trang gồm:
- cùng một hàng tiêu đề lặp lại ở mỗi trang
- dòng tạm tính ở cuối từng trang
- một dòng dữ liệu bị ngắt giữa hai trang
- trang đầu có bố cục tiêu đề khác các trang sau
- chú thích, chân trang hoặc số trang nằm lẫn trong vùng bảng
Những điểm này quan trọng hơn tên công cụ bạn dùng. Nếu tài liệu lặp lại tiêu đề ở mọi trang, quá trình trích xuất tự động có thể giữ tất cả các dòng đó như dữ liệu bình thường. Nếu một dòng bị gãy qua ngắt trang, trang kế tiếp có thể bắt đầu bằng nửa sau của chính dòng đó.
Việc xem nhanh bằng mắt giúp bạn quyết định nên:
- chuyển toàn bộ tài liệu trong một lần,
- chuyển từng khoảng trang riêng, hoặc
- dọn từng nhóm trang trước rồi mới gộp.
Dùng một ví dụ cụ thể để lên kế hoạch gộp
Hãy hình dung một báo cáo bán hàng dài 12 trang. Mỗi trang đều có các cột:
- Ngày
- Mã đơn hàng
- Khách hàng
- Khu vực
- Số lượng
- Giá trị thuần
Đầu mỗi trang lại xuất hiện cùng một hàng tiêu đề. Cuối các trang từ 1 đến 11 có một dòng tạm tính theo trang. Ở trang 7, tên khách hàng quá dài nên bị ngắt qua ranh giới trang, khiến đầu trang 8 trông giống như một dòng riêng chưa hoàn chỉnh.
Nếu bạn chuyển thẳng toàn bộ tệp, bảng Excel có thể chứa:
- 12 bản sao của hàng tiêu đề
- 11 dòng tạm tính chen vào giữa dữ liệu thật
- 1 bản ghi bị tách thành 2 dòng
- 1 dòng ở đầu trang 8 thiếu giá trị quan trọng
Quyết định thực tế ở đây là xác định rõ đâu mới là dữ liệu thật trước khi gộp. Trong ví dụ này, chỉ các dòng có Mã đơn hàng hợp lệ mới nên được giữ trong bảng cuối cùng. Hàng tiêu đề và dòng tạm tính cần bị loại bỏ. Dòng bị tách phải được ghép lại trước khi phân tích.
Quy trình từng bước để xử lý bảng PDF nhiều trang
Bạn có thể áp dụng chuỗi bước sau khi tài liệu kéo dài qua nhiều trang.
-
Xem mức độ đồng nhất giữa các trang
Kiểm tra xem mọi trang có cùng cột và cùng thứ tự cột hay không. Nếu trang đầu khác bố cục, nên xử lý riêng. -
Xác định các dòng không phải dữ liệu
Đánh dấu các hàng tiêu đề lặp lại, chân trang, dòng tổng theo trang, dòng chuyển tiếp và ghi chú không nên đi vào bảng cuối. -
Chuyển theo nhóm trang nếu cần
Nếu tệp PDF có nhiều kiểu bố cục, hãy chuyển từng nhóm trang cùng cấu trúc thay vì ép toàn bộ tài liệu qua một lần. -
Đưa kết quả vào một trang tính trung gian
Không nên dọn trực tiếp trên bản duy nhất. Hãy giữ nguyên kết quả thô ở một trang tính và làm sạch ở trang khác. -
Xóa các hàng tiêu đề lặp
Lọc các dòng mà ô khóa chứa chính tên cột, ví dụNgàyhoặcMã đơn hàng, rồi xóa các dòng đó. -
Loại bỏ dòng tạm tính và dòng tổng theo trang
Lọc các từ nhưTạm tính,Tổng trang, hoặc các dòng không có Mã đơn hàng nhưng lại có giá trị số tổng hợp. -
Kiểm tra dòng bị tách ở điểm ngắt trang
Nếu cần, giữ đúng thứ tự trang rồi xem chỗ chuyển từ nhóm trang này sang nhóm trang khác. Tìm các dòng bị thiếu một phần nội dung, ô khóa bị trống hoặc giá trị bị lệch xuống dòng sau. -
Đối chiếu tính liên tục của bản ghi
Nếu PDF có tổng số dòng hiển thị rõ ràng, có thể dùng để đối chiếu. Nếu không, hãy so sánh mã đầu và mã cuối của từng nhóm trang để phát hiện khoảng trống hoặc trùng lặp. -
Chỉ chuyển sang bảng cuối sau khi dọn xong
Khi đã xử lý xong tiêu đề lặp, dòng tổng và dòng bị tách, hãy sao chép dữ liệu sạch sang bảng tính bạn thực sự dùng.
Cách tránh lặp tiêu đề khi gộp nhiều trang
Lặp tiêu đề là lỗi phổ biến nhất khi chuyển PDF sang Excel với bảng dài nhiều trang.
Quy tắc đơn giản nhất là chọn một cột mà trong dữ liệu thật sẽ không bao giờ chứa chính tên tiêu đề. Ví dụ:
- nếu
Mã đơn hàngluôn là mã số hoặc chuỗi định danh, thì bất kỳ dòng nào có ô đó bằngMã đơn hàngđều là tiêu đề lặp - nếu
Ngàyluôn phải là ngày hợp lệ, thì dòng nào có ô đó bằngNgàykhông phải là dữ liệu giao dịch
Cách này đáng tin cậy hơn việc xóa theo chu kỳ, vì số dòng mỗi trang có thể không giống nhau.
Bảng kiểm tra nhanh:
| Mục kiểm tra | Dấu hiệu cần tìm | Cách xử lý |
|---|---|---|
| Tiêu đề lặp | Ô chứa đúng tên cột | Lọc và xóa các dòng đó |
| Chân trang | Số trang, tên báo cáo, ngày in nằm ngoài dữ liệu | Loại bỏ trước khi phân tích |
| Tạm tính | Dòng tóm tắt có số tổng nhưng không có mã bản ghi thật | Xóa hoặc chuyển sang trang tính riêng |
| Dòng trống ngăn cách | Dòng trống hoàn toàn giữa các khối trang | Xóa bỏ |
| Lệch cột | Giá trị sau ngắt trang bị lệch sang trái hoặc phải | Sửa trước khi gộp |
Nếu trang đầu có tiêu đề báo cáo riêng còn các trang sau thì không, đừng lấy nguyên mẫu trang đầu áp cho tất cả. Hãy làm sạch trang đầu riêng rồi mới nối thêm các trang chuẩn.
Cách phát hiện thiếu dòng và bản ghi bị gãy
Nhiều trường hợp tưởng là thiếu dòng, nhưng thực ra dữ liệu chỉ bị tách, xuống dòng hoặc lệch vị trí khi trích xuất.
Hãy chú ý các dấu hiệu sau:
- một dòng không có Ngày hoặc Mã đơn hàng nhưng các cột sau vẫn có dữ liệu
- tên khách hàng tiếp nối từ cuối trang trước, còn các số liệu lại nằm ở đầu trang sau
- cuối một trang có dòng chứa văn bản nhưng chưa có giá trị tiền, còn đầu trang sau chỉ có số tiền mà thiếu mã định danh
- chuỗi mã giữa hai đoạn trang có vẻ bị nhảy không hợp lý
Cách xử lý là so sánh vài dòng cuối của một nhóm trang với vài dòng đầu của nhóm kế tiếp. Nếu một bản ghi logic đã bị chia thành hai dòng trong bảng tính, hãy ghép phần chữ và phần số vào cùng một dòng rồi xóa dòng thừa.
Khi PDF gốc khó nhìn hoặc không thật rõ ràng, nên ghi chú trong sổ làm việc rằng đã có bước chỉnh tay. Việc này sẽ giúp khâu rà soát sau đó dễ hơn.
Khi nào nên tách việc xử lý thay vì cố chuyển một lần
Đôi khi quyết định tốt nhất khi chuyển PDF sang Excel là chưa gộp tất cả ngay.
Nên tách thành nhiều phần khi:
- trang đầu dùng bộ cột khác các trang sau
- một đoạn ở giữa chuyển sang bố cục ngang
- có trang là bảng, có trang lại chỉ là nội dung diễn giải
- tài liệu trộn giữa trang quét hình ảnh và trang tạo số hóa
- một phần là chi tiết giao dịch, phần khác là bảng tổng hợp
Trong những trường hợp này, hãy tạo các khối trích xuất riêng, làm sạch từng khối, chuẩn hóa lại tên cột rồi mới ghép nối. Cách làm này thường giảm lỗi ẩn tốt hơn so với một lần chuyển lớn.
Cũng cần lưu ý rằng không phải quy trình nào cũng sẵn sàng cho nhận dạng ký tự từ ảnh. Nếu PDF là dạng hình ảnh, việc trích xuất bảng có thể cần một quy trình khác và kết quả thường phải kiểm tra thủ công kỹ hơn.
Kiểm tra cuối trước khi tin vào bảng Excel
Trước khi dùng dữ liệu cho lọc, tính toán hoặc lập báo cáo, hãy rà nhanh một lượt.
-
Kiểm tra số dòng
Tổng số dòng có hợp lý so với số trang không? -
Xem phần đầu và cuối của từng khối trang cũ
Đây là nơi tiêu đề lặp và dòng bị tách thường xuất hiện nhất. -
Lọc các cột khóa để tìm ô trống
Mã, ngày hoặc giá trị tiền bị trống thường là dấu hiệu của dòng lỗi. -
Tìm các từ vốn là tiêu đề trong vùng dữ liệu
Những từ nhưNgày,Mã đơn hànghoặcTạm tínhcó thể vẫn còn sót lại. -
Đối chiếu mẫu với PDF gốc
Chọn vài dòng ở đầu, giữa và cuối tài liệu để kiểm tra lại.
Giới hạn của cách làm này
Quy trình trên giúp tăng độ tin cậy, nhưng không có nghĩa là bảng cuối chắc chắn hoàn hảo.
Một số giới hạn thường gặp:
- PDF dạng quét có thể cần nhận dạng ký tự và sửa tay nhiều hơn
- ô gộp phức tạp có thể làm hỏng cấu trúc dòng
- văn bản xuống dòng có thể bị hiểu nhầm là một dòng mới
- chú thích chen trong vùng bảng có thể trông giống dữ liệu thật
- nhiều mẫu trang khác nhau trong cùng một tệp có thể làm hỏng quy tắc dọn thống nhất
Vì vậy, trang tính trung gian và bước rà soát cuối vẫn rất quan trọng. Mục tiêu là giảm các lỗi âm thầm trước khi bảng Excel được đưa vào công việc tiếp theo.