Pereiti prie turinio

PDF sąskaita į Excel: kada reikia AI, o kada ne

Žiūrėti kaip MarkdownAtidaryti per ClaudeAtidaryti per ChatGPTAtidaryti per Perplexity

Klausimas taip pat nukopijuojamas. Jei pokalbis atsidaro tuščias, įklijuokite jį.

Šiame puslapyje
  1. Kaip atskirti tekstinį PDF nuo skenavimo?
  2. Ar tekstinį PDF galima konvertuoti į Excel be AI?
  3. Kas nutinka, kai PDF yra skenavimas?
  4. Ką modelis klaidingai nuskaitė skenavimuose?
  5. Kodėl aritmetinės patikros tylėjo beveik visiškai?
  6. Kaip turėtų atrodyti Excel failas?
  7. Kiek tai kainuoja ir kiek užtrunka?
  8. Kas lemia skenavimų rezultatą?
  9. Ko netestavau?
  10. Ką daryčiau su tikromis sąskaitomis?
  11. Mano panašus atvejis

Trumpai

Pirmiausia patikrinkite, ar PDF turi teksto sluoksnį. Jei turi, trumpas skriptas be AI teisingai nuskaitė visas 30 mano testo sąskaitų, ir antraštę, ir visas 113 sąskaitos eilučių, mediana po 0,03 sekundės kiekvieną. Skenuotoje sąskaitoje tas pats skriptas nieko negrąžina, ir reikia modelio. Pateikiamame paleidime Claude Haiku 5.5 teisingai nuskaitė sumą be PVM, PVM ir bendrą sumą visuose 30 skenavimų, bet klaidingai perskaitė skaitmenis PVM kodų, sąskaitų numerių ir aprašymų laukuose bei dviejų eilučių sumas: visiškai teisingos buvo 4 sąskaitos iš 30, o 12, jei nepaisoma panašiai atrodančių simbolių. Aritmetinės patikros pagavo 2 iš 18 neteisingų sąskaitų. PVM kodo kontrolinis skaitmuo pagavo 16 iš 18, o kartu su aritmetinėmis patikromis 17 iš 18.

Esu Denys, full-stack ir AI inžinierius. Norėjau sužinoti, kas veikia, kai PDF sąskaitą reikia konvertuoti į Excel, ir kaip dažnai rezultatas klaidingas. Todėl visą darbą atlikau pats, nuo pradžios iki galo, su 30 fiktyvių tiekėjų sąskaitų, panašių į tas iš ankstesnio keturių AI modelių testo: 10 čekiškų, 10 vokiškų ir 10 portugališkų, iš viso 113 sąskaitų eilučių. Įmonių pavadinimuose yra pavyzdinių žodžių (Vzor, Muster, Beispiel, Exemplo), kiekviena sąskaita apačioje turi užrašą SAMPLE, o PVM kodai patikrinti ES VIES paslaugoje, kuri visiems atsakė „not valid“. Šį kartą tai PDF failai, pridėtos sąskaitų eilutės, o rezultatas – Excel failas.

Kaip atskirti tekstinį PDF nuo skenavimo?

PDF, atspausdintas iš apskaitos programos, savyje turi patį tekstą – teksto sluoksnį. Skenuotas PDF yra puslapio paveikslėlis, įdėtas į PDF failą, be jokio teksto. Jei galite pele pažymėti žodį, tai tekstinis PDF.

Kiekvienos sąskaitos padariau abi versijas, iš viso 60 PDF. Visi 30 tekstinių PDF turėjo teksto sluoksnį. Iš visų 30 skenavimų PDF biblioteka išgavo 0 simbolių. Skenavimai yra mano imitacija iš ankstesnio testo (pasukimas, išplaukimas, triukšmas, stiprus JPEG suspaudimas), o ne popierius, perleistas per skenerį.

Ar tekstinį PDF galima konvertuoti į Excel be AI?

Taip. Parašiau Python skriptą su pdfplumber – nemokama biblioteka, kuri skaito teksto sluoksnį: po vieną etikečių rinkinį kiekvienai kalbai, PVM kodai randami pagal puslapio pusę (tiekėjas kairėje, pirkėjas dešinėje) ir po reguliariąją išraišką kiekvienai sąskaitos eilutei. Tai 94 eilutės 3 maketams.

Rezultatas su tekstiniais PDF: 30 iš 30 sąskaitų visiškai teisingos, 0 klaidų iš 270 antraštės laukų, 113 iš 113 sąskaitos eilučių teisingos, mediana 0,03 sekundės vienai sąskaitai ir jokių išlaidų.

Svarbi išlyga. Taisykles rašiau žiūrėdamas į tas pačias 30 sąskaitų, todėl tai geriausias taisyklėms galimas atvejis. Kiekvienam naujam tiekėjo maketui reikia naujų taisyklių, o kitų maketų netestavau. Du dalykai, kuriuos taisyklės turėjo apdoroti:

  • Skaitymo tvarka. Visose 30 sąskaitų, visuose trijuose maketuose, pirkėjo PVM kodas teksto sluoksnyje eina prieš tiekėjo, todėl „paimti pirmąjį PVM kodą“ juos sukeičia vietomis. Skriptas kairę ir dešinę puslapio pusę skaito atskirai.
  • PVM kodo priešdėlis. Portugalijos sąskaitose kodas atspausdintas su PT arba be jo. Lyginu be priešdėlio: 8 sąskaitos nuo tikrosios reikšmės skiriasi tik tuo.
Nuo PDF sąskaitos iki Excel. Pirmas klausimas: ar PDF turi teksto sluoksnį. Yra teksto sluoksnis: PDF → Skriptas → Excel failas; Skenavimas, be teksto: PDF → AI modelis → PVM patikra → Peržiūra → Excel failas.
Iš mano 30 fiktyvių sąskaitų testo, 2026 m. spalio 22 d. PVM patikra: PVM kodo kontrolinis skaitmuo.

Kas nutinka, kai PDF yra skenavimas?

Skriptas nepavyksta tyliai. Su 30 skenavimų extract_text() kaskart grąžino tuščią eilutę, iškvietimas pavyko, o visi 270 antraštės laukų grįžo tušti. Nebuvo iškelta jokia klaida.

Skenavimų atveju kiekvieną PDF išsiunčiau Claude Haiku 5.5 per OpenRouter; jis skaito PDF tiesiogiai, be atskiro OCR žingsnio. Temperatūra 0, vienas JSON vienai sąskaitai: devyni antraštės laukai ir sąskaitos eilutės (aprašymas, kiekis, vieneto kaina, suma).

Metodas ir įvestis Visiškai teisingos sąskaitos Teisingos eilutės
Skriptas, tekstinis PDF 30 iš 30 113 iš 113
Skriptas, skenavimas 0 iš 30 0 iš 113
Haiku 5.5, tekstinis PDF 29 iš 30 112 iš 113
Haiku 5.5, skenavimas, tiksliai 4 iš 30 76 iš 113
Haiku 5.5, skenavimas, panašūs simboliai ignoruoti 12 iš 30 108 iš 113

„Visiškai teisinga“ reiškia, kad sutampa devyni antraštės laukai ir kiekviena sąskaitos eilutė. Su tekstiniais PDF vienintelė Haiku klaida buvo aprašymas, Europaletten vietoj Europalette; jo antraštė teisinga 30 iš 30. Skenavimuose 14 iš 30 sąskaitų visi devyni antraštės laukai buvo teisingi.

Visiškai teisingos sąskaitos iš 30. Antraštė ir kiekviena eilutė teisingos. Haiku 5.5 su skenavimais: 12, jei nepaisoma panašių simbolių (× ir x, – ir -). Skriptas, tekstinis PDF: 30; Skriptas, skenavimas: 0; Haiku 5.5, tekstinis PDF: 29; Haiku 5.5, skenavimas: 4.
Mano 30 fiktyvių čekiškų, vokiškų ir portugališkų sąskaitų testas, 2026 m. spalio 22 d. Tekstinis PDF turi teksto sluoksnį, skenavimas jo neturi.

Ką modelis klaidingai nuskaitė skenavimuose?

Dažniausiai ne pinigus. Išrašymo data, apmokėjimo terminas, valiuta, suma be PVM, PVM ir bendra suma: 0 klaidų visose 30 sąskaitų šiame paleidime. Kiekis, vieneto kaina ir suma: 111 iš 113 teisingi. Klaidos daugiausia buvo tekste:

  • Antraštė: 21 klaidingas laukas 16 sąskaitų, visi PVM kodai. Tiekėjo PVM kodas 6 kartus, pirkėjo PVM kodas 15 kartų.
  • Eilutės: 37 iš 113 nėra visiškai teisingos. 32 skiriasi tik tipografija: × grąžinta kaip x, – kaip -, µ (mikro ženklas) kaip μ (graikiška mi). 5 yra tikros klaidos: 3 aprašymai (fita estirável vietoj filme estirável, visi vienoje Portugalijos sąskaitoje) ir 2 sumos (184,00 perskaityta kaip 164,00, 1.376,67 kaip 1.378,67).

Kodėl aritmetinės patikros tylėjo beveik visiškai?

Į failą įdėjau dvi patikras kaip stulpelius: sąskaitos eilutės susideda į sumą be PVM, o suma be PVM plius PVM lygi bendrai sumai, abiem atvejais 0,01 tikslumu. Modelio skenavimuose jos pažymėjo 2 iš 18 iš tikrųjų neteisingų sąskaitų (2 iš 26, jei tipografija laikoma klaida), būtent tas dvi, kuriose neteisingai perskaityta eilutės suma. Antraštės sumos buvo teisingos, todėl sumos sutapo. Patikra, dirbanti su skaičiais, nemato neteisingo skaitmens kode ar žodyje. Ankstesniame teste pastebėjau tą patį: jo sumų patikra pažymėjo 3 iš 63 neteisingų sąskaitų.

Su tuščia skripto išvestimi abi patikros suveikė 30 iš 30 atvejų. Bent jau tuščias rezultatas skaičiuoklėje nepraslysta tyliai.

Trečia patikra, PVM kodo kontrolinis skaitmuo (python-stdnum čekiškam DIČ, vokiškam USt-IdNr ir portugališkam NIF), pagavo 16 iš 18 neteisingų sąskaitų ir nė karto klaidingai nesuveikė teisingoje sąskaitoje. Nė vienas neteisingas PVM kodas jos nepraėjo. Kartu su aritmetinėmis patikromis tai 17 iš 18. Likusi viena buvo Portugalijos sąskaita, kurioje neteisingai perskaityti tik aprašymai; jai reikia žmogaus, kuris šalia eilutės atsidarytų PDF.

Kaip turėtų atrodyti Excel failas?

Du lapai. Invoices turi vieną eilutę vienai sąskaitai: failo pavadinimas, sąskaitos numeris, išrašymo ir apmokėjimo data, tiekėjo ir pirkėjo PVM kodas, valiuta, suma be PVM, PVM ir bendra suma, eilučių skaičius ir eilučių suma bei trys patikros stulpeliai. Lines turi vieną eilutę vienai sąskaitos eilutei: failo pavadinimas, sąskaitos numeris, eilutės numeris, aprašymas, kiekis, vieneto kaina ir suma. Lapus jungia sąskaitos numeris. Viena plokščia eilutė vienai sąskaitai netinka, nes eilučių skaičius kinta, o mano ilgiausia sąskaita jų turi devynias.

Skaičiai įrašomi kaip skaičiai, o datos kaip datos. Čekiškas 175 011,84 Kč ar vokiškas 10.465,61 € prieš įrašant turi būti konvertuotas, kitaip Excel jį traktuoja kaip tekstą, ir sumavimas jo nepaiso. Iš naujo atidariau išsaugotą failą ir patikrinau 2 256 langelių tipą: datos, sumos, kiekiai ir patikrų rezultatai visi turėjo teisingą tipą, ir 0 buvo išsaugoti kaip tekstas. Dar 300 langelių buvo tušti – eilutės, kuriose skriptas nieko nerado.

Failą nuskaičiau biblioteka, bet neatidariau nei Excel, nei LibreOffice, o patikros yra reikšmės TRUE arba FALSE, o ne formulės.

Kiek tai kainuoja ir kiek užtrunka?

Skriptas nekainuoja nieko ir užtrunka 0,03 sekundės vienai sąskaitai. Haiku 5.5 naudojau OpenRouter išrašytą kainą už kiekvieną iškvietimą:

Haiku 5.5 USD už 1 000 sąskaitų Mediana, sekundės vienai sąskaitai
Tekstinis PDF 0,58 2,96
Skenavimas 0,72 4,31
Abu kartu 0,65 3,66

Visas paleidimas buvo 60 iškvietimų ir USD 0,038847 (133 197 įvesties ir 51 055 išvesties žetonų), be nė vieno nepavykusio iškvietimo, pakartojimo ar neįskaitomo atsakymo. Laikas apima tinklą ir modelio samprotavimą, vienu metu vykdant 8 iškvietimus.

Kas lemia skenavimų rezultatą?

Tas pats modelis su tais pačiais skenavimais nepateikia vieno skaičiaus. Kad pamatyčiau, kas svarbu, skenavimų testą su šiuo rinkiniu pakartojau: tik skenavimai, temperatūra 0, po du pakartojimus kiekvienai sąlygai, dar 240 iškvietimų už USD 0,145779. Sąlygos buvo įvestis (puslapis kaip paveikslėlis arba PDF) ir užklausa (devyni antraštės laukai arba antraštė plius eilutės). Sąskaitos, kurių visi devyni antraštės laukai teisingi, iš 30:

Sąlyga 1 paleidimas 2 paleidimas
Paveikslėlis, tik antraštė 13 14
Paveikslėlis, antraštė ir eilutės 14 14
PDF, tik antraštė 13 13
PDF, antraštė ir eilutės 15 12

Aukščiau pateiktas paleidimas yra penktas PDF paleidimas su antraštėmis ir eilutėmis: 14. Keturių modelių paveikslėlių testas Haiku su šiais skenavimais taip pat davė 14.

  • Įvesties kelias: jokio matomo poveikio. Paveikslėlių paleidimai davė 13, 14, 14, 14 ir 14 (vidurkis 13,8), PDF paleidimai 13, 13, 15, 12 ir 14 (vidurkis 13,4). Ribos beveik visiškai persidengia.
  • Užklausos dydis: jokio matomo poveikio. Tik antraštė davė 13, 14, 13 ir 13; antraštė ir eilutės 14, 14, 15, 12 ir 14.
  • Nuo paleidimo iki paleidimo: 0–3 sąskaitos skirtumas tarp vienos sąlygos pakartojimų.
  • Sąskaitų rinkinys yra didžiausias veiksnys. Su tuo pačiu modeliu ir ta pačia paveikslėlio užklausa ankstesnis 30 sąskaitų rinkinys davė 22 ir 22. Šis duoda 13 ir 14. Kiekviena šalis turi vieną pirkėjo PVM kodą, pasikartojantį 10 sąskaitų, ir su šiuo rinkiniu Haiku jį klaidingai perskaito 11–13 iš 30 sąskaitų per paveikslėlio paleidimą (ankstesniame rinkinyje 2–3). Viena klaidingai perskaityta eilutė pajudina iki 10 sąskaitų iš karto. Su dviem rinkiniais ir vienu modeliu tai parodo, kad rinkinys nusveria kitus du veiksnius, bet ne tai, kodėl konkrečią eilutę sunku perskaityti.
  • Sumos gali būti neteisingos. 4 iš 8 pakartotinių paleidimų bent viena suma buvo neteisinga. Sumų patikros pažymėjo 2 iš tų 4 sąskaitų; 2 liko tylios. Pateikiamame paleidime antraštės sumų klaidų nebuvo, todėl „dažniausiai ne pinigus“ ten galioja, bet ne kiekviename paleidime.

Ko netestavau?

  • Paties Excel importo (Power Query „Iš PDF“, „Duomenys iš paveikslėlio“).
  • Tikrų tiekėjų sąskaitų. Visos 30 yra fiktyvios: 3 maketai, vienas šriftas, po vieną puslapį.
  • Kelių puslapių sąskaitų, kitų kalbų, nuotraukų ir tikro skenerio triukšmo.
  • OCR, tiekiančio duomenis taisyklių skriptui. Skenavimų atskaitos taškas yra vien skriptas.
  • Jokio kito modelio, išskyrus Haiku 5.5.
  • Taisyklių su maketu, kuriam jos nebuvo derintos.

Ką daryčiau su tikromis sąskaitomis?

Tai mano skaičių interpretacija, o ne išmatuotas rezultatas. Pirmiausia patikrinkite teksto sluoksnį. Keliems tiekėjams, siunčiantiems tekstinius PDF, taisyklės pigesnės, greitesnės ir šiame teste tikslios. Daugeliui ar nežinomų maketų arba skenavimams naudokite modelį, paleiskite PVM kodo kontrolinio skaitmens ir aritmetines patikras, o žmogus tegu peržiūri tai, ką jos pažymi, ir aprašymus, kurių nepadengia nė viena mano patikra.

Skriptai, sąskaitos, tikrųjų reikšmių failai, rezultatai ir Excel failas yra šiame zip. Viduje yra 60 PDF ir neapdoroti modelio atsakymai, todėl vertinimą ir Excel failą galima atkurti be API rakto. Mano sąskaitų duomenų nuskaitymo prototipas veikia su pavyzdiniais duomenimis.

Jei dar svarstote, kurią įmonės dalį verta automatizuoti, padedu ją pasirinkti ir paskui ją sukuriu: žr. DI konsultantas smulkiam verslui. Klientų žinutės yra kitas dažnas pirmasis AI darbas mažoje įmonėje: kiek kainuoja WhatsApp pokalbių robotas už vieną atsakymą, įskaitant Meta mokestį.

Taip pat skaitykite: Dokumentų valdymo sistema smulkiam verslui: kainos ir ribos.

Mano panašus atvejis

Sukūriau paslaugą, kuri nekilnojamojo turto pažymą, kuri užtrukdavo 2–3 savaites ir kainuodavo EUR 200–300, paverčia pažyma per 2–3 minutes už EUR 99, su skriptais ir vision AI. Kūrimas aprašytas nekilnojamojo turto dokumentų automatizavimo atvejyje.

Jei sąskaitos turi patekti į jūsų skaičiuoklę ar apskaitos įrankį ir niekas jų nepersirašo ranka, tai kuriu pagal procesų automatizavimą.

Sąskaitas į skaičiuoklę perkeliate rankomis? Parašykite man, ir kartu išsirinksime geriausią variantą.

Vis dar rankomis perkeliate sąskaitas?

Parašykite man, ką turite dabar ir ko jums reikia. Atsakysiu variantu, kurį pasirinkčiau pats.

Parašykite man

© 2026 Denys Zaichenko. Originalus straipsnis: https://madsalt.tech/lt/blog/pdf-invoice-to-excel/