Что чат-бот делает хорошо

Возьмите цифровой PDF, в котором текст можно выделить мышью, с таблицей на десять-двадцать строк. Загрузите его в ChatGPT, Claude или Gemini и попросите выдать таблицу. В большинстве случаев вы получите правильные строки и столбцы, а некоторые чат-боты могут сразу создать файл для скачивания. Если ваш PDF именно такой, чат-бот вполне подходит для этой задачи.

Дело не всегда в длине. В нашем тесте на четырёх длинных задачах мы вставили в три чат-модели текст банковской выписки на 10 страниц и 320 строк и попросили выдать CSV. Все три вернули каждую строку, а суммы и знаки были верными. Сбои, о которых речь ниже, возникают из-за того, что есть в реальных PDF: сканированные страницы, пустые и объединённые ячейки и таблицы, не помещающиеся в один ответ.

Где всё идёт не так

Проблемы появляются по мере того, как документ становится сложнее или длиннее.

  • Сканированные страницы. В сканированном PDF лежат картинки страниц, а не текст. В зависимости от чат-бота таблица читается с ошибками или не читается вовсе.
  • Смещённые столбцы. Пустая или объединённая ячейка может сдвинуть все значения после неё на один столбец. Результат по-прежнему выглядит как аккуратная таблица, поэтому ошибку легко пропустить.
  • Изменённые числа. Значения могут округляться, разделитель тысяч может пропасть или прочитаться как десятичная точка, а отрицательное число в скобках может потерять знак.
  • Пропущенные строки. В таблице на много страниц чат-бот склонен вернуть первую часть, а затем сократить, пересказать или остановиться.
  • Текст вместо электронной таблицы. Ответом часто становится таблица, нарисованная в чате. При копировании в Excel столбцы могут снова разъехаться.

Неверная ячейка в электронной таблице хуже неверного слова в тексте. Вы просуммируете этот столбец, и итог будет выглядеть так же надёжно, как любой другой.

Почему так происходит

PDF не хранит таблицу как таблицу. Он хранит символы в определённых позициях на странице. Сетка, которую вы видите, существует только визуально, и тому, кто конвертирует файл, приходится самому решать, к какой строке и какому столбцу относится каждое значение. В скане нет даже символов, поэтому страницу сначала нужно прочитать как изображение.

Чат-бот делает всё это за один проход, а затем должен выписать каждую ячейку в одном ответе. Чем длиннее таблица, тем больше нужно воспроизвести, не потеряв место, и тем сильнее тяга к сокращению. В этом процессе ничто не проверяет, что в каждой строке столько же ячеек, сколько в заголовке.

Как проверить самостоятельно

Возьмите PDF с таблицей минимум на две страницы и с несколькими пустыми ячейками.

  1. Попросите чат-бот конвертировать таблицу в Excel и выдать каждую строку.
  2. Сравните количество строк в результате и в PDF.
  3. Проверьте последнюю строку на последней странице. Она на месте?
  4. Выберите наугад пять чисел и сверьте их цифра за цифрой.
  5. Найдите строку с пустой ячейкой и проверьте, что значения после неё стоят в правильных столбцах.

Если все пять проверок пройдены, с вашим документом чат-бот справляется. Если хотя бы одна не пройдена, то и остальные страницы нужно проверять так же, а тогда ручная работа обходится дороже, чем сэкономила конвертация.

Чем пользоваться вместо этого

Используйте инструмент, который работает со страницей как с данными. Наш конвертер PDF в Excel читает каждую страницу как изображение, поэтому сканы PDF и фото печатных таблиц обрабатываются так же, как цифровые PDF. Каждая таблица возвращается ровно с одной ячейкой на столбец в каждой строке. Значения копируются как напечатано, без округления, объединённые ячейки повторяются в каждой строке, которую они охватывают, а значение, которое не удаётся прочитать, записывается как [illegible], а не угадывается. Таблица показана рядом со страницей, чтобы вы могли сверить данные, прежде чем скачать XLSX с отдельным листом для каждой таблицы или CSV.

Два честных ограничения: инструмент извлекает данные, а не форматирование, формулы или диаграммы, а таблица, которая продолжается на нескольких страницах, возвращается как отдельная таблица на каждую страницу.

Если PDF — это выписка по банковскому счёту или кредитной карте, лучше подойдёт конвертер банковских выписок. Он возвращает каждую операцию с датой, описанием, суммой со знаком и остатком и объединяет все страницы в одну таблицу.

В любом из инструментов первая страница бесплатна и не требует регистрации, так что вы можете выполнить описанную выше проверку на своём файле. Весь документ — $5, разовый платёж.