Převod souboru JPG do CSV

Excel, databáze a analytický software vyžadují řádky a pole, nikoli fotografii tabulky, účtenky, formuláře nebo seznamu. Převodem obrázku se tyto informace stanou upravitelnými a prohledávatelnými; změna .jpg na .csv nevytvoří strukturovaná data.

Co je formát JPG

JPG, také označovaný jako JPEG, je rastrový obrazový formát používaný fotoaparáty, skenery, smartphony, snímky obrazovky a softwarem pro úpravu obrázků. Jeho ztrátová komprese udržuje fotografické a skenované soubory relativně malé, ale pixely samy o sobě neobsahují text, pole, řádky ani sloupce. JPG může zobrazovat tabulku, aniž by tabulku ukládal jako data.

Co je formát CSV

CSV je reprezentace tabulkových dat v prostém textu. Řádky obvykle představují záznamy, zatímco čárky, středníky nebo jiný oddělovač oddělují pole; pole obsahující oddělovače, uvozovky nebo zalomení řádků musí být uzavřena v uvozovkách. Tabulkové aplikace, databáze, statistické programy a skripty jej mohou importovat.

CSV je malé, přenositelné a snadno zpracovatelné, ale nezachovává písma, rozvržení stránky, obrázky, vzorce, více listů ani spolehlivé datové typy buněk. Pokud musí při přenosu zůstat zachovány znaky mimo ASCII, použijte UTF-8 a ověřte oddělovač očekávaný přijímajícím programem.

Jak převést tabulku v JPG

Použití Excelu pro čistou tištěnou tabulku

1. Otevřete verzi Microsoft 365 aplikace Excel, která obsahuje funkci rozpoznávání obrázků.
2. Vyberte Data → From Picture → Picture From File a poté zvolte JPG. V podporovaných mobilních verzích použijte odpovídající příkaz pro převod obrázku na data.
3. Před vložením zkontrolujte buňky rozpoznané aplikací Excel a opravte hranice sloupců, sloučené buňky, data, desetinné oddělovače, záporné hodnoty, prázdné buňky a počáteční nuly.
4. Pokud potřebujete upravitelnou auditní kopii, nejprve uložte opravený sešit.
5. Vyberte File → Save As a zvolte CSV UTF-8 (Comma delimited) (*.csv). Export CSV obvykle obsahuje pouze aktivní list.

Použití ABBYY FineReader PDF pro obtížné skeny

1. Otevřete JPG v ABBYY FineReader PDF.
2. Spusťte OCR se správným jazykem dokumentu a povolte rozpoznávání tabulek.
3. Zkontrolujte rozpoznanou tabulku, zejména sloučené buňky, hranice sloupců, pořadí čtení a znaky zaměněné v důsledku skenu.
4. Exportujte do XLSX, otevřete výsledek v tabulkové aplikaci a pomocí File → Save As vytvořte UTF-8 CSV. Přímý export do CSV závisí na nainstalované edici FineReaderu.

Zpracování dávek pomocí OCR softwaru nebo API

Tesseract OCR dokáže extrahovat text, ale sám o sobě nespolehlivě rekonstruuje složité tabulky. Například tesseract input.jpg output -l eng vytvoří output.txt; samostatný parser musí identifikovat řádky a sloupce a zapsat platné CSV. Pro opakovanou extrakci tabulek poskytují AWS Textract, Google Cloud Document AI a Azure AI Document Intelligence OCR s podporou tabulek; skript může jejich vrácené buňky převést do CSV.

Pro příležitostné zpracování necitlivých obrázků dokážou text rozpoznat nebo exportovat výsledky kompatibilní s tabulkovými aplikacemi browserové služby, jako jsou OCR.space a OnlineOCR. Otevřete rozpoznaný výsledek v tabulkovém programu, opravte jej a uložte jako CSV. Nahrávejte do online služby doklady totožnosti, finanční záznamy, důvěrné účtenky ani proprietární materiály.

Převod pixelů namísto textu

Pokud má být výsledkem číselná matice obsahující každý pixel JPG, OCR není správná metoda. Načtěte obrázek pomocí Pythonu, MATLABu nebo jiného nástroje pro zpracování obrázků a zapište hodnoty pixelů do CSV; barevný obrázek obvykle vytváří samostatné hodnoty pro červenou, zelenou a modrou složku a výsledný soubor může být mnohem větší než JPG. Python může například použít Pillow a NumPy k načtení obrázku a numpy.savetxt k zápisu matice odstínů šedi, ale CSV je pro tento účel obvykle méně efektivní než binární formát matice.

Omezení kvality a kompatibility

Přesnost OCR závisí na rozlišení, kontrastu, zkosení, rozmazání, rukopisu, písmu, kompresních artefaktech a čarách tabulky. Použijte rovný, těsně oříznutý obrázek; u skenovaného dokumentu je vhodným cílem přibližně 300 ppi. V případě potřeby před rozpoznáváním opravte otočení a zlepšete kontrast.

Porovnejte každý výstupní řádek se zdrojovým obrázkem. OCR může změnit 0 na O, 1 na I, pozměnit desetinné tečky a symboly měn a odstranit počáteční nuly. Regionální nastavení tabulkového programu mohou data interpretovat odlišně nebo očekávat středníky namísto čárek.

Pokud je důležitá dohledatelnost, ponechte si původní JPG a opravený XLSX. Export CSV zahazuje formátování, vzorce, další listy a značnou část informací o typech ze zdrojové aplikace.