تبدیل PDF و تصویر به اکسل با کمک هوش مصنوعی
صورتحساب، گزارش بانکی و لیست قیمتی که فقط بهصورت PDF دارید را میشود به جدول قابل ویرایش تبدیل کرد. روش، ابزار، و جاهایی که خروجی را نباید باور کنید.
یک حسابدار، صورتحساب بانکی سهماهه را بهصورت PDF میگیرد. چهارصد سطر تراکنش که باید در اکسل دستهبندی شود. کپیکردن جواب نمیدهد — ستونها به هم میریزند، تاریخها میچسبند، و بعد از بیست دقیقه هنوز سطر شصتم است.
این مسئله راهحل دارد و راهحلش هم پیچیده نیست. ولی یک تله دارد که اگر به آن برخورد نکنید، بعداً گران تمام میشود: خروجی گاهی مرتب و اشتباه است. جدول تمیزی میگیرید که سه سطرش جا افتاده و شما متوجه نمیشوید.
اول بفهمید با کدام نوع PDF طرفید
یک آزمون دو ثانیهای: فایل را باز کنید و سعی کنید متنی از آن را با موس انتخاب کنید.
اگر انتخاب میشود، فایل PDF متنی است. داده واقعاً در فایل هست و استخراجش تقریباً بدون خطا انجام میشود. صورتحساب بانکی، فاکتور رسمی و گزارشهای سامانهای معمولاً از این نوعاند.
اگر انتخاب نمیشود، آنچه میبینید عکس است. اینجا اول باید متن از تصویر خوانده شود، و همانجاست که خطا وارد میشود — بهخصوص در فارسی. جزئیات این مرحله را در تبدیل عکس به متن فارسی نوشتهایم.
روشی که در عمل جواب میدهد
فایل را پیوست کنید و بهجای «این را به اکسل تبدیل کن»، دقیق بگویید چه میخواهید:
از فایل پیوست، جدول تراکنشها را استخراج کن.
خروجی: CSV با جداکنندهی کاما، ستونها دقیقاً به این ترتیب:
تاریخ | شرح | بدهکار | بستانکار | مانده
قواعد:
— همهی ارقام فارسی و عربی را به لاتین تبدیل کن
— جداکنندهی هزارگان (کاما یا نقطه) را از اعداد حذف کن
— تاریخها را به شکل YYYY/MM/DD بنویس، شمسی بمانند
— سلول خالی را خالی بگذار، صفر نگذار
— هیچ سطری را خلاصه یا ادغام نکن
— در آخر تعداد سطرها و جمع ستون بدهکار را بنویس
فقط CSV و آن دو عدد را بده، بدون توضیح.خط آخر — گزارش تعداد سطر و جمع ستون — همان چیزی است که این روش را از حدسزدن جدا میکند.
قبل از استفاده از خروجی، جمع یک ستون عددی را در اکسل حساب کنید و با جمع همان ستون در فایل اصلی مقایسه کنید. اگر فایل اصلی جمع ندارد، ماشینحساب بردارید. این کار دو دقیقه وقت میبرد و تنها راه کشف سطرِ جاافتاده است. خروجیِ مرتب لزوماً خروجیِ کامل نیست.
مشکل مخصوص فارسی: عدد، تاریخ، جهت
سه چیز است که در فایلهای فارسی مدام دردسر میسازد:
- ارقام فارسی. «۱۲۳» و «123» از نظر رایانه یکی نیستند. اکسل اولی را متن میبیند و جمع نمیزند. تبدیل به لاتین را صریح بخواهید.
- تاریخ شمسی. اکسل تاریخ شمسی را نمیشناسد. اگر میخواهید مرتبسازی کار کند، قالب
YYYY/MM/DDرا نگه دارید تا مرتبسازی متنی هم درست از آب دربیاید. - جهت متن. وقتی متن راستبهچپ با عدد چپبهراست مخلوط میشود، ترتیب نمایش گاهی با ترتیب واقعی کاراکترها فرق میکند. اگر عددی عجیب بهنظر رسید، در نوار فرمول اکسل نگاهش کنید نه در سلول.
کدام روش برای کدام فایل
| نوع فایل | بهترین روش | خطای محتمل |
|---|---|---|
| PDF متنی، جدول ساده | پیوست فایل + پرامپت بالا | کم |
| PDF متنی، جدول چندصفحهای | صفحهبهصفحه، دهتا دهتا | جاافتادن سطر در مرز صفحه |
| عکس گرفتهشده با موبایل | اول صاف و روشن کردن، بعد استخراج | اشتباه در ارقام مشابه |
| اسکن قدیمی و کمکیفیت | ابزار OCR اختصاصی، بعد بازبینی دستی | زیاد — بازبینی کامل لازم است |
| PDF با سلولهای ادغامشده | دستی، یا بازطراحی جدول | ساختار بههم میریزد |
| دادهی حساس مالی | ابزار محلی روی رایانهی خودتان | ریسک محرمانگی |
برای فایلهای متنی و ساختاریافته، ابزار رایگان Tabula روی رایانهی خودتان اجرا میشود و هیچ دادهای جایی نمیفرستد. برای فایلهای بههمریخته و اسکنشده، مدلهای زبانی معمولاً بهتر عمل میکنند چون ساختار را حدس میزنند.
کجا شکست میخورد
سه موقعیت هست که هنوز بهسختی جواب میدهد و بهتر است انتظار معجزه نداشته باشید:
سلولهای ادغامشده و سرستونهای دوطبقه. جدولی که سرستونش دو ردیف است و بعضی سلولهایش روی چند ستون کشیده شده، هیچ نگاشت یکتایی به CSV ندارد. اینجا مدل مجبور است تصمیم بگیرد و تصمیمش معمولاً با تصمیم شما یکی نیست.
جدولهای بدون خط. وقتی جدول فقط با فاصله ساخته شده، تشخیص مرز ستونها حدسی است. اگر یک سلول خالی باشد، ستونها یکی به چپ میلغزند.
دستخط. فرمهای دستنویس فارسی هنوز نتیجهی قابل اتکایی نمیدهند. مخصوصاً اعداد.
بعد از اینکه داده در اکسل نشست
استخراج نصف کار است. اگر میخواهید از داده چیزی بفهمید، نه فقط ذخیرهاش کنید، روشهای تحلیل داده با هوش مصنوعی ادامهی طبیعی این مسیر است. برای کارهای دورهای حسابداری هم راهنمای هوش مصنوعی برای حسابداران سناریوهای مشخصتری دارد. و اگر دادهی موردنظرتان اصلاً در فایل نیست بلکه در یک صفحهی وب است، استخراج داده از سایت مسیر دیگری است.
جمعبندی
تبدیل PDF به اکسل از آن کارهایی است که هوش مصنوعی واقعاً وقتگیریاش را حذف میکند — نه صد درصد، ولی بهاندازهای که ارزشش را داشته باشد. شرطش یک عادت است: هر بار جمع ستونها را چک کنید.
اگر این کار را ماهی چند بار انجام میدهید، پرامپت بالا را یکجا ذخیره کنید و هر بار همان را با فایل جدید در نارنگی استفاده کنید. خروجیِ یکدست، بررسی را هم سادهتر میکند.
مطالب مرتبط:
