لديك ملف PDF يحتوي على جدول بيانات - تقرير مالي أو قائمة أسعار أو نتيجة استبيان أو قسم من بنود الفاتورة. تحتاج إلى العمل مع هذه البيانات في Excel. تحاول تحديد الخلايا ونسخها ولصقها في جدول بيانات. ما تحصل عليه هو عمود من النص المشوش، أو خلايا مدموجة في أماكن خاطئة جميعها، أو لا شيء على الإطلاق. هذه ليست خطأ. إنها طريقة عمل ملفات PDF.
لماذا يصعب استخراج جداول PDF
لا يحتفظ ملف PDF بالجداول في صورة جداول. بل يخزّن النص كسلسلة من الرموز المتموضعة - حروف موضوعة على إحداثيات X/Y محددة في الصفحة. الجدول في ملف PDF ليس سوى صفوف من النص تكون مصادفةً مرئية على شكل صفوف متسعة ومنفصلة بخطوط مرسومة. لا يوجد هيكل بيانات يمثل "هذه خلية" أو "هذا ينتمي إلى العمود 3" أو "هذا الصف ينتهي هنا".
عند النسخ واللصق من ملف PDF، يحاول القارئ تخمين البنية من الموضع المرئي. غالباً ما يخطئ في تحديد حدود الأعمدة، ويدمج الخلايا، ويقطع الأرقام عبر الأسطر. وكلما اتسع الجدول، كانت النتيجة أكثر فوضى.
الخيار 1: النسخ واللصق المباشر (جدير بالتجربة أولاً)
بالنسبة لملف PDF أصلي - أي ملف أُنشئ بواسطة برنامج وليس ماسحاً ضوئياً - جرب هذا أولاً:
- افتح ملف PDF فيAdobe Readerأوكروم.
- انقر واسحب لتحديد منطقة الجدول.
- انسخ (Ctrl+C).
- الصق في خلية إكسل باستخداملصق خاص -> نصأو الصق في محرر نصوص أولاً لترى ما حصلت عليه فعلياً.
- استخدمالنص إلى أعمدة(علامة التبويب "بيانات" في Excel) لتقسيم المحتوى الملصق حسب علامة الجدولة أو المسافة أو فاصل ثابت.
تعمل هذه الطريقة بشكل معقول جيد للجداول البسيطة ذات عمودين أو ثلاثة أعمدة بتنسيق نظيف. لكنها تفشل مع الجداول المعقدة التي تحتوي على خلايا مدمجة أو حواشي سفلية أو محتوى خلايا متعدد الأسطر.
الخيار 2: أداة تحويل مخصصة من PDF إلى Excel
تقوم أداة التحويل بتحليل البنية المرئية لملف PDF - حدود الخلايا، ومحاذاة الأعمدة، وخصائص الخط - وتحاول إعادة بنائها كبيانات جدول بيانات. الناتج هو ملف XLSX يمكنك فتحه مباشرة في Excel.
تعمل Pagivo حاليًا علىأداة تحويل PDF إلى Excelمحوّل لهذا الغرض. عندما يُطلق، ستكون سير عملية العمل كالتالي: تحميل ملف PDF، تنزيل ملف XLSX، مراجعة النتيجة للتحقق من عدم وجود حدود مكتشفة بشكل خاطئ. بالنسبة لملف PDF أصلي بتنسيق جداول نظيف، سيتولى المحوّل معظم العمل.
ما يمكن توقعه: التحويل دقيق في الجداول المباشرة البسيطة وأقل دقة في التخطيطات المعقدة (صفوف رؤوس مدمجة، نصوص مائلة، جداول تحتوي صورًا داخل الخلايا، حدود بتنسيق كثيف). تحقق دائمًا من الإجماليات الرقمية في المخرجات مقابل ملف PDF المصدر - تحدث أخطاء التقريب أو محاذاة الأعمدة في الجداول المعقدة.
الخيار 3: استيراد Google Sheets (سريع للجداول الصغيرة)
- افتحGoogle Sheetsوانشئ جدول بيانات جديدًا.
- انتقل إلىملف -> استيرادوارفع ملف PDF.
- سيحاول Google تحليل الجداول من ملف PDF واستيرادها كبيانات في جدول البيانات.
النتائج متفاوتة وتشبه النسخ واللصق، لكن خطوة الاستيراد أحيانًا تكتشف بنية الجدول بشكل أفضل من التحديد اليدوي. من المفيد تجربة هذه الطريقة للجداول البسيطة عند عدم توفر أداة تحويل مخصصة لديك.
الخيار 4: ملفات PDF الممسوحة ضوئيًا (مشكلة مختلفة، حل مختلف)
إذا كان ملف PDF عبارة عن مسح ضوئي - أي صورة فوتوغرافية لصفحة - فلن تكون هناك بيانات نصية لاستخراجها على الإطلاق. سيؤدي النسخ واللصق إلى تحديد الصفحة بأكملها كصورة واحدة، ولن ينتج محول PDF إلى Excel القياسي أي نتيجة مفيدة.
بالنسبة للجداول الممسوحة ضوئيًا، تحتاج إلى تقنية OCR تفهم بنية الجدول بشكل خاص. الخيارات المتاحة:
- مستندات Google- ارفع ملف PDF إلى Google Drive وافتحه باستخدام مستندات Google. سيقوم OCR الخاص بـ Google باستخراج النص، لكن بنية الجدول غالبًا ما لا يتم الحفاظ عليها.
- Adobe Acrobat Pro- يحتوي على تقنية OCR مدمجة مع التعرف على الجداول. جودة أعلى للجداول المعقدة، لكنه يتطلب اشتراكاً مدفوعاً.
- أدوات OCR المتخصصة- ABBYY FineReader وأدوات مشابهة مصممة خصيصاً للتعرف على بنية المستندات بما في ذلك الجداول. خيار مبالغ فيه للاستخدام العرضي، لكنه الأدق للجداول الممسوحة الضوئياً المعقدة.
بعد الاستخراج: تنظيف البيانات في Excel
بغض النظر عن الطريقة، خطط لقضاء بضع دقائق في تنظيف المخرجات:
- إزالة الصفوف الفارغة ورؤوس الأعمدة المكررة التي تظهر عندما تكرر الجداول متعددة الصفحات عناوين الأعمدة في كل صفحة.
- إصلاح تنسيقات الأرقام - قد يتم تبديل الفواصل والنقاط إذا كان ملف PDF يستخدم تنسيق أرقام خاص بمنطقة إقليمية مختلفة.
- تحقق من مطابقة الإجماليات - تحقق يدويًا من قيمة أو قيمتين محسوبتين من ملف PDF المصدر.