Gibt es in einer PDF wirklich überhaupt keine Tabellenstruktur?

In der überwiegenden Mehrheit der Standard-PDF-Dateien gibt es sie tatsächlich nicht. Die Datei hält nur fest, welches Zeichen an welcher Koordinate gezeichnet wird und welche Linie von wo nach wo verläuft. Was Ihr Auge als Tabelle wahrnimmt, ist ein optischer Eindruck, der aus der Kombination von ordentlich ausgerichtetem Text und darum gezeichneten Linien entsteht. Es gibt eine Ausnahme: In getaggten PDFs, die nach Barrierefreiheitsregeln erstellt wurden, ist die Tabellenstruktur ausdrücklich markiert, und die Extraktion aus solchen Dateien ist weitaus treffsicherer. In der Praxis sind die meisten Dateien jedoch ungetaggt.

Wie errät der Konverter die Zellgrenzen?

Es werden zwei grundlegende Hinweise genutzt. Der erste sind Linien: Sind waagerechte und senkrechte Linien auf der Seite gezeichnet, ergeben ihre Schnittpunkte unmittelbar das Zellraster, und das Ergebnis ist recht verlässlich. Der zweite ist die Ausrichtung: Fehlen Linien, prüft der Algorithmus, ob Textfragmente verschiedener Zeilen an ähnlichen waagerechten Positionen beginnen, und deutet senkrecht ausgerichtete Textgruppen als Spalten. Die zweite Methode beruht naturgemäß auf Schätzung und kann besonders bei Tabellen mit leeren Zellen oder unterschiedlich ausgerichteten Inhalten fehlgehen.

Warum fehlen in der nach Excel übertragenen Tabelle die Formeln?

Weil Formeln in einer PDF-Datei niemals vorhanden sind. Speichern Sie eine Excel-Datei als PDF, werden die Ergebnisse der Berechnungen auf die Seite gezeichnet, die Formeln, die diese Ergebnisse erzeugt haben, werden jedoch nie in die Datei geschrieben. Eine PDF speichert allein das Erscheinungsbild, nicht die Rechenlogik. Nach der Umwandlung haben Sie also die richtigen Zahlen, doch es sind feste Werte. Die Formeln lassen sich nur zurückgewinnen, indem Sie die Person, die das Dokument erstellt hat, um die originale Excel-Datei bitten; die Umwandlung kann diese Information nicht neu erzeugen, weil sie in der Quelle gar nicht existiert.

Warum extrahieren verschiedene Werkzeuge dieselbe Tabelle unterschiedlich?

Weil die Schwellenwerte zum Erraten der Zellgrenzen in jedem Werkzeug anders sind. Entscheidungen wie die Frage, wie breit der Abstand zwischen zwei Textfragmenten sein muss, damit sie als getrennte Zellen gelten, oder wie viel Ausrichtungsabweichung noch als dieselbe Spalte durchgeht, sind Entwurfsentscheidungen. Bei linierten, regelmäßigen Tabellen sind diese Unterschiede überhaupt nicht spürbar, weil dort kein Raten nötig ist. Bei randlosen Tabellen mit unregelmäßigen Abständen kann dieselbe Datei in verschiedenen Werkzeugen jedoch sichtbar unterschiedliche Ergebnisse liefern.

Warum lassen sich Tabellen aus PDFs so schwer extrahieren? Die Logik hinter der Excel-Umwandlung

Die Tabelle, die Ihr Auge sieht, steckt nicht in der Datei

Was sehen Sie, wenn Sie eine PDF öffnen und auf eine darin enthaltene Tabelle blicken? Zeilen, Spalten, Zellen, vielleicht Rahmen und eine grau hinterlegte Kopfzeile. Die Struktur ist völlig klar; auf einen Blick wissen Sie, welcher Wert zu welcher Spalte gehört.

Schauen wir nun in dieselbe Datei hinein. Eine PDF-Datei enthält Befehle dieser Art: Zeichne diese Zeichen an diesen Punkt, ziehe von hier nach dort eine Linie, fülle dieses Rechteck hellgrau. Das ist alles. Nirgends in der Datei steht: Hier ist eine dreispaltige Tabelle. Es gibt keinen Begriff der Zelle. Es gibt keinen Begriff der Zeile.

Was Sie als Tabelle wahrnehmen, ist der Eindruck, den ordentlich ausgerichteter Text zusammen mit darum gezeichneten Linien in Ihrem Auge erzeugt. Das menschliche Gehirn deutet dieses Muster augenblicklich als Tabelle; ein Algorithmus muss es von Grund auf erraten.

In diesem Beitrag erklären wir, wie dieser Schätzvorgang abläuft, warum manche Tabellen fehlerfrei extrahiert werden und warum andere auseinanderfallen.

Wie findet ein Konverter eine Tabelle?

Ein Algorithmus zur Tabellenextraktion löst eigentlich zwei getrennte Probleme. Zuerst findet er die Bereiche der Seite, die Tabellen sein könnten, dann leitet er das Zellraster dieses Bereichs ab. Für den zweiten Schritt gibt es zwei grundlegende Strategien, und welche davon zur Verfügung steht, bestimmt die Umwandlungsqualität maßgeblich.

Der linienbasierte Ansatz

Hat die Tabelle echte Rahmen, ist die Sache recht einfach. Der Algorithmus sammelt die waagerechten und senkrechten Linien der Seite, ermittelt ihre Schnittpunkte und nimmt das entstehende Raster als Zellstruktur an. Anschließend ordnet er die Textfragmente, die in die Grenzen einer Zelle fallen, dieser Zelle zu.

Dieser Ansatz ist verlässlich, weil wenig geraten wird; die Linien stehen ausdrücklich in der Datei. Vollständig gerahmte, sauber gezeichnete Tabellen werden deshalb nahezu fehlerfrei extrahiert.

Der leerraumbasierte Ansatz

Ist die Tabelle randlos, was im modernen Dokumentdesign sehr verbreitet ist, hat der Algorithmus keine Linien zur Verfügung. Dann ist die Ausrichtung der einzige Anhaltspunkt. Der Algorithmus geht so vor: Er betrachtet die waagerechten Anfangspositionen von Textfragmenten verschiedener Zeilen und behandelt die miteinander ausgerichteten als zur selben Spalte gehörig. Ebenso gruppiert er anhand der senkrechten Positionen die Zellen derselben Zeile.

Dieser Ansatz funktioniert, ist aber anfällig. Ist eine Zelle leer, wird das Ausrichtungsmuster unterbrochen. Ist der Text einer Zelle rechtsbündig, während die übrigen linksbündig sind, hält der Algorithmus sie womöglich für verschiedene Spalten. Läuft der Text einer Zelle über zwei Zeilen, kann die zweite Zeile als eigene Tabellenzeile ausgelegt werden.

Die häufigsten Fehlerfälle und ihre Ursachen

Zu verstehen, warum manche Tabellen auseinanderfallen, zeigt Ihnen zugleich, was Sie bei welchen Dokumenten erwarten dürfen.

Verbundene Zellen. Eine Überschrift, die sich über zwei Spalten erstreckt, durchbricht die Rasterlogik. Der Algorithmus muss entscheiden, zu welcher Spalte dieser Text gehört, und ordnet ihn meist der ersten zu, was einen Versatz zu den darunterliegenden Daten erzeugt.

Mehrzeiliger Text innerhalb einer Zelle. Läuft eine lange Beschreibung in einer Zelle über drei Zeilen, kann der leerraumbasierte Ansatz sie für drei getrennte Tabellenzeilen halten, wodurch sie gegenüber den einzeiligen Werten der anderen Spalten verrutscht.

Leere Zellen. Eine leere Zelle bedeutet, dass an dieser Position kein Text gezeichnet wurde. Der Algorithmus erkennt womöglich nicht, dass dort eine Spalte ist, und die Werte rechts davon setzen sich um eine Spalte nach links. Das ist die gefährlichste Fehlerart, weil sie stillschweigend falsche Daten erzeugt.

Seitenübergreifende Tabellen. In einer PDF ist jede Seite eigenständig. Setzt sich eine Tabelle auf der nächsten Seite fort, behandelt der Algorithmus sie als eigene Tabelle. Dazwischenliegende Seitenüberschriften, Seitenzahlen und wiederholte Spaltenköpfe mischen sich unter die Daten.

Verschachtelte Kopfzeilen. Zweistufige Aufbauten mit einer breiten Kategorieüberschrift oben und Unterüberschriften darunter lassen sich nicht unmittelbar in das flache Tabellenmodell von Excel übertragen und werden meist eingeebnet.

Warum kommen die Formeln nicht mit?

Das überrascht Nutzer am meisten, doch der Grund ist denkbar einfach: Formeln sind in der PDF-Datei überhaupt nicht vorhanden.

Was geschieht, wenn Sie eine Excel-Datei als PDF speichern? Excel berechnet zunächst alle Formeln, ermittelt die Ergebnisse und zeichnet diese Ergebnisse auf die Seite. In die PDF-Datei geschrieben wird die Zahl 1.250; nicht die Summenformel, die sie erzeugt hat. Die Formel ist im Moment des Speicherns unwiederbringlich verloren gegangen.

Folglich kann kein Konverter Formeln aus einer PDF extrahieren, weil es keine zu extrahieren gibt. Nach der Umwandlung haben Sie die richtigen Zahlen, doch es sind feste Werte; die Rechenlogik müssen Sie neu aufbauen. Dieselbe Logik gilt für Zellformatierungen, Regeln zur bedingten Formatierung und Datenüberprüfungseinstellungen; all das geht beim Schreiben in die PDF verloren.

Das ist kein Mangel der Umwandlung, sondern die Natur des Formats. Brauchen Sie die Formeln, führt der einzige Weg über die Person, die das Dokument erstellt hat.

Gescannte Tabellen: eine zusätzliche Fehlerebene

In einem gescannten Dokument ist die Seite im Grunde eine Fotografie, und es gibt keine Textbefehle darin zu lesen. Bei diesen Dateien muss zuerst OCR laufen, also die optische Zeichenerkennung.

Bei Tabellen birgt OCR ein besonderes Risiko: Zeichenverwechslung bei Zahlenmaterial. Paare wie Null und großes O, die Ziffer Eins und kleines l, Sechs und Acht oder Drei und Acht werden in niedrig aufgelösten Scans leicht falsch erkannt. In einem Textdokument fällt ein solcher Fehler sofort auf, weil das Wort sinnlos wird. In einer Tabelle sticht eine 63 anstelle einer 68 überhaupt nicht hervor und geht stillschweigend falsch in Ihre Berechnung ein.

Deshalb ist die Prüfung der Ausgabe bei gescannten Tabellen kein optionaler Schritt. Gibt es im Original eine Summenzeile, ist es die schnellste und wirksamste Prüfmethode, dieselbe Summe in Excel zu bilden und zu vergleichen.

Welche Tabellen werden sauber übertragen?

Übersetzen wir dieses Wissen in eine praktische Erwartungskarte. Tabellen mit folgenden Merkmalen werden nahezu vollständig übertragen: vollständig gerahmt, mit je einer Textzeile pro Zelle, ohne verbundene Zellen, auf eine Seite passend und textbasiert. Kontoauszüge, einfache Preislisten und schlichte Datenauszüge fallen meist in diese Kategorie.

Folgende Merkmale erfordern dagegen Nacharbeit: randlose, nur mit Leerraum ausgerichtete Tabellen, mehrzeilige Zellen, verschachtelte Kopfzeilen, lange seitenübergreifende Tabellen und gescannte Dokumente. Bei solchen Dateien ist es dennoch weit schneller, die Umwandlung als Ausgangspunkt zu nehmen, als manuell einzugeben; das Ergebnis sollten Sie jedoch nicht ungeprüft verwenden. Um zu sehen, was bei Ihrer Datei herauskommt, können Sie das Tool PDF zu Excel ausprobieren.

Zusammengefasst

Die Tabellenstruktur wird in PDF-Dateien meist überhaupt nicht gespeichert; es gibt nur Textkoordinaten und Linien. Konverter leiten das Zellraster entweder aus den Linien ab oder erraten es aus Ausrichtungsmustern. Bei linierten, regelmäßigen Tabellen ist das Ergebnis verlässlich; bei randlosen Tabellen, verbundenen Zellen oder seitenübergreifenden Tabellen wächst der Anteil des Ratens und Nacharbeit wird nötig. Formeln kommen unter keinen Umständen mit, weil sie nie in die PDF geschrieben wurden. Und bei gescannten Tabellen fügt OCR eine eigene Fehlerebene hinzu, wodurch die zahlenmäßige Prüfung zur Pflicht wird.