Как извлечь таблицу из PDF в Excel с помощью ИИ

Короткий ответ

Чтобы извлечь таблицу из PDF в Excel с помощью ИИ, сначала определите, содержит ли файл настоящий текст или только изображения страниц. Затем задайте структуру будущей таблицы, попросите сохранить ссылки на страницы и отдельно отметить сомнительные значения. Готовым результатом следует считать не просто файл XLSX, а таблицу, которую можно сверить с источником: с устойчивыми колонками, исходными строками, журналом исключений и понятными правилами преобразования.

У PDF есть штатные способы импорта. Официальная документация PDF-коннектора Power Query описывает загрузку и преобразование найденных данных, а для больших файлов рекомендует обрабатывать страницы или небольшие диапазоны по частям. Скан устроен иначе: как поясняет руководство Adobe по распознаванию текста, бумажный документ в PDF сначала содержит только изображение, а OCR создаёт поисковый текстовый слой; после распознавания результат нужно проверить на точность и полноту.

Сначала определите тип PDF

Быстрая проверка экономит время и помогает выбрать правильный процесс:

• Если текст выделяется и находится через поиск, PDF, скорее всего, содержит текстовый слой. Таблицы можно извлекать напрямую, хотя объединённые ячейки и переносы строк всё равно требуют очистки.
• Если выделяется только вся страница, это скан или изображение. Сначала нужен OCR, а затем восстановление строк и колонок.
• Если часть страниц текстовая, а часть отсканирована, документ смешанный. Обрабатывайте диапазоны отдельно и объединяйте только после проверки схемы.
• Если файл защищён, повреждён или обрезан, не пытайтесь обходить ограничения. Запросите доступную копию или исходный экспорт.

Лучший источник — исходная выгрузка из системы в XLSX или CSV. PDF стоит извлекать, когда такой выгрузки нет либо она не соответствует переданному документу. Сохраните оригинал без изменений: он нужен как контрольная версия.

Какой Excel-файл считать хорошим результатом

Одна вкладка с числами часто недостаточна. Для проверяемой работы удобнее три листа:

В таблице полезно сохранять исходное значение рядом с преобразованным. Например, столбцы «Сумма как в PDF» и «Сумма числом» позволяют увидеть, где были удалены пробелы, изменён десятичный разделитель или потерян знак. Даты тоже лучше хранить в двух видах до приёмки.

Не объединяйте разные таблицы только потому, что у них похожие заголовки. Сначала сравните набор колонок, единицы измерения, валюту, период и смысл строки. Если схема меняется на середине документа, добавьте признак раздела или создайте отдельный лист.

Пошаговый сценарий в OpenCowork

В OpenCowork задачу можно поставить так:

1. Загрузите исходный PDF в обычный проект и опишите, какие таблицы нужны.
2. Укажите диапазон страниц, ожидаемые колонки, единицы измерения и желаемый формат XLSX.
3. Попросите ИИ-агента определить тип страниц и перечислить те, которые не удалось прочитать уверенно.
4. Поручите извлечение небольшими диапазонами, если документ большой или таблица продолжается на нескольких страницах.
5. Задайте правила нормализации: формат дат, десятичный разделитель, пустые значения, переносы строк, повторяющиеся заголовки.
6. Попросите создать листы «Данные», «Источники» и «Проверить», не удаляя спорные строки.
7. Сверьте выборку с PDF, исправьте правила и только после этого используйте таблицу дальше.

Такой процесс подходит для прайс-листов, отчётов, реестров и спецификаций. Если цель — сопоставить готовую таблицу со счётом, полезен отдельный сценарий проверки спецификации и счёта. Другие варианты результатов собраны в примерах задач OpenCowork.

Как проверить числа и структуру

Перед использованием результата обязательна проверка человеком, особенно для бухгалтерских, финансовых и закупочных данных. Возьмите выборку из начала, середины и конца документа и проверьте:

• совпадает ли число строк на странице и в Excel;
• не превратился ли минус в тире или не исчез совсем;
• правильно ли распознаны запятая и точка в суммах;
• не перепутаны ли похожие символы;
• сохранились ли единицы измерения и валюта;
• не склеились ли две строки из-за многострочного описания;
• не повторился ли заголовок страницы как строка данных;
• сходятся ли итоги по группам и по документу.

Полезный контроль — пересчитать суммы независимо от PDF и сравнить их с напечатанными итогами. Расхождение не нужно автоматически «исправлять»: его следует записать в лист «Проверить» со страницей и исходной строкой. Решение о корректировке принимает владелец данных.

Когда нужно остановить извлечение

Процесс должен завершиться честной границей, а не правдоподобной таблицей. Остановитесь и запросите другой источник, если:

• страницы отсутствуют, обрезаны или имеют слишком низкое качество;
• шрифт или фон не позволяют различать значения;
• таблица содержит рукописные исправления без подтверждения;
• файл защищён от чтения или требует доступа, которого у команды нет;
• заголовки и единицы меняются, но правила их сопоставления неизвестны;
• контрольная выборка показывает систематические ошибки OCR.

В таких случаях правильный результат OpenCowork — список непрочитанных страниц и причин, а не заполнение пропусков догадками.

Следующий шаг

Возьмите один типовой PDF, определите нужные колонки и подготовьте небольшую контрольную выборку. Затем откройте рабочее пространство OpenCowork, приложите файл и запросите XLSX с картой страниц и листом исключений. После проверки шаблона теми же правилами можно обрабатывать следующий документ, не снижая требования к точности.