PDF naar Excel, ook als de PDF een scan is

Waarom PDF-tabellen algemene AI-assistenten laten struikelen

Een PDF slaat een tabel niet op als tabel. Hij slaat tekens op bij posities op een pagina, en de rijen en kolommen bestaan alleen voor het oog. In een gescande PDF zijn er zelfs geen tekens, alleen een afbeelding van de pagina. Om het raster opnieuw op te bouwen moet voor elk getal worden bepaald bij welke rij en welke kolom het hoort.

Een chatbot kan dat bij een korte, nette tabel prima. Bij een brede tabel kan een lege cel of een samengevoegde cel ervoor zorgen dat elke waarde daarna één kolom naar rechts schuift, terwijl het resultaat er nog steeds netjes uitziet. Bij een lang document moet de chatbot honderden rijen in één antwoord weergeven, en daardoor kapt hij de uitvoer vaak in of stopt hij halverwege. En wat je krijgt, is meestal een tabel in het chatvenster, die je daarna zelf in een spreadsheet moet kopiëren.

Deze tool leest elke pagina afzonderlijk en levert gestructureerde data: een lijst met kolommen en per rij precies één cel per kolom, waarbij lege cellen leeg blijven. De opdracht is om waarden over te nemen en niet te interpreteren, en om [illegible] te schrijven waar een waarde niet te lezen is. Omdat het resultaat naast de paginaafbeelding staat, zie je een verschoven kolom makkelijk voordat je exporteert.

Wat mensen omzetten

• Financiële rapporten en jaarrekeningen met pagina's vol cijfers
• Prijslijsten, catalogi en productbladen van leveranciers
• Facturen en inkooporders met regelitems
• Gescande of gedrukte tabellen die alleen op papier bestaan
• Onderzoeksartikelen en overheidsrapporten met datatabellen
• Dienstregelingen, roosters en voorraadlijsten

Hoe waarden en tabellen in de spreadsheet terechtkomen

Waarden worden overgenomen zoals ze zijn afgedrukt. Een gewoon getal zoals 1204.5 komt aan als getal waarmee je kunt optellen. Een waarde met een valutasymbool of een duizendtalscheidingsteken, zoals $1,204.50, blijft precies zo staan en komt aan als tekst, zodat er niets ongemerkt verandert. Wil je met die cellen rekenen, zet ze dan na controle in je spreadsheet om.

Tabellen blijven gescheiden. In het XLSX-bestand krijgt elke tabel een eigen werkblad, met de titel van de tabel of het paginanummer als naam. Een tabel die over meerdere pagina's doorloopt, komt terug als één tabel per pagina, in paginavolgorde, en wordt niet automatisch samengevoegd. In het CSV-bestand volgen de tabellen elkaar op in één bestand. Een pagina zonder tabel maar met duidelijk tabelachtige inhoud, zoals paren van label en waarde of een gespecificeerde lijst, komt ook terug als tabel.

Een schoon resultaat en waar de grenzen liggen

Digitale PDF's en nette scans lezen het best. Leg bij een foto de pagina plat neer, fotografeer recht van bovenaf en laat de tabel het beeld vullen. Heel kleine letters op een grote pagina lees je beter als je de pagina in delen splitst. PDF's met een wachtwoord kunnen niet worden geopend, dus haal eerst het wachtwoord eraf.

De tool haalt gegevens eruit. Lettertypen, kleuren, randen, formules en grafieken worden niet overgenomen, en een grafiek wordt niet omgezet in cijfers. Geen enkele lezer is perfect, dus vergelijk totalen en kerncijfers met de pagina naast de tabel, en kijk goed naar cellen die zijn gemarkeerd met [illegible]. Gebruik voor bankafschriften en creditcardafschriften onze Bankafschrift-converter: die geeft elke transactie terug in één tabel met vaste kolommen.