Cách xuất dữ liệu từ PDF sang Excel: Hướng dẫn toàn diện

Một nhà thầu phụ gửi cho bạn một hồ sơ dự thầu dưới dạng file PDF quét (scanned PDF). Bạn cần số lượng, đơn giá và tổng tiền trong Excel trước khi gửi dự toán đi, vì vậy bạn tiến hành xuất dữ liệu và mở bảng tính lên. Các hàng dữ liệu vẫn xuất hiện, nhưng một vài tiêu đề cột bị gộp, một số số lượng bị đặt sai dòng mô tả, và nhiều số tiền nhìn như số nhưng Excel lại xử lý chúng dưới dạng văn bản. Không có cảnh báo nào cho bạn biết rằng dữ liệu đã bị sai lệch.

Đó chính là thách thức khi tìm hiểu cách xuất dữ liệu từ PDF sang Excel. Nhấn nút xuất thường là phần dễ nhất. Công việc khó khăn nằm ở việc xác định xem file PDF có cấu trúc khả dụng hay không, lựa chọn phương pháp trích xuất phù hợp và kiểm tra lại bảng tính trước khi bất kỳ ai sử dụng nó cho hồ sơ đề xuất, ngân sách, đối soát hóa đơn hoặc bóc tách khối lượng (takeoff) xây dựng.

Tại sao việc xuất dữ liệu từ PDF sang Excel thường gặp lỗi ngầm

PDF được thiết kế để giữ nguyên giao diện trực quan của tài liệu, chứ không nhất thiết bảo toàn cách sắp xếp thông tin bên trong. Một bảng biểu hiển thị trên trang có thể chỉ gồm các đoạn văn bản rời rạc được đặt ở các vị trí khác nhau, thay vì các hàng và cột mà Excel có thể hiểu được. Sự khác biệt đó giải thích lý do tại sao một file xuất ra trông rất thuyết phục nhưng thực chất lại đặt sai giá trị vào các trường dữ liệu.

Một file PDF gốc (native PDF) thường chứa văn bản kỹ thuật số có thể chọn (bôi đen) được. Một file PDF dạng scan (scanned PDF) thường là hình ảnh của trang in, vì vậy công cụ trích xuất cần công nghệ nhận dạng ký tự quang học (OCR) trước khi có thể nhận diện từ ngữ và chữ số. Ngay cả một file PDF gốc cũng có thể gây rắc rối khi chứa bảng biểu nhiều trang, tiêu đề bị gộp, khoảng cách không đều, trang bị xoay hoặc các thành phần trang lặp lại.

Những lỗi ẩn giấu trong một bảng tính trông có vẻ hoàn chỉnh

Một nhà thầu có thể xuất bảng phân bổ giá trị hợp đồng (schedule of values) và thấy đầy đủ từng hạng mục trong Excel. Tuy nhiên, những lỗi nguy hiểm nhất thường mang tính cấu trúc thay vì hiển hiện rõ ràng:

• Tiêu đề bị gộp (Merged headers): Một tiêu đề trải dài qua nhiều cột có thể khiến công cụ trích xuất gán các tiêu đề phụ không nhất quán.
• Cột bị lệch (Shifted columns): Giá trị bị thiếu trong một hàng có thể đẩy toàn bộ các giá trị tiếp theo lệch sang trái hoặc sang phải một cột.
• Số bị định dạng thành văn bản (Text-formatted numbers): Các con số trông như số liệu nhưng sẽ không hoạt động chính xác trong công thức, thao tác sắp xếp hoặc bộ lọc.
• Ranh giới hàng bị vỡ (Broken row boundaries): Phần mô tả xuống dòng có thể vô tình bị tách thành một hàng riêng biệt.
• Nội dung trang bị lặp lại (Repeated page content): Đầu trang và chân trang có thể bị chèn vào giữa tập dữ liệu.
• Ký tự bị nhận diện sai (Misread characters): OCR có thể nhầm lẫn chữ số, dấu câu, biểu tượng và chữ cái, đặc biệt là trong các bản quét chất lượng kém.

Hướng dẫn của Adobe về các lỗi trích xuất bảng PDF khuyến nghị kiểm tra kỹ tài liệu gốc và rà soát định dạng sau khi chuyển đổi. Lời khuyên đó rất quan trọng vì bảng tính vẫn có thể tự động tính toán mà không đưa ra bất kỳ cảnh báo nào ngay cả khi việc khớp nối hàng dữ liệu cơ bản đã bị sai.

Quy tắc thực tế: Đừng bao giờ phê duyệt một bảng tính vừa xuất chỉ vì nó mở lên thành công. Chỉ phê duyệt sau khi cấu trúc, giá trị và tổng số của nó đã được đối chiếu, kiểm tra kỹ lưỡng với file PDF gốc.

Đối với các đội ngũ lập dự toán, hậu quả có thể đến ngay lập tức. Một kích thước, số lượng hạng mục hoặc khối lượng sai lệch có thể đi thẳng vào bảng bóc tách khối lượng (takeoff) và sau đó vào hồ sơ đề xuất giá. Đội ngũ tài chính cũng đối mặt với rủi ro tương tự đối với hóa đơn, sao kê và báo cáo. Hãy xem file PDF như một nguồn chưa đáng tin cậy cho đến khi bảng tính vượt qua quy trình kiểm soát chất lượng có ghi chép rõ ràng.

Các phương pháp tích hợp sẵn sử dụng Adobe Acrobat và Excel

Đối với file PDF kỹ thuật số rõ ràng, các công cụ tích hợp sẵn thường là điểm khởi đầu hợp lý. Adobe Acrobat cung cấp quy trình xuất trực tiếp, trong khi Excel có thể nhập các bảng phát hiện được thông qua Power Query. Không có phương pháp nào loại bỏ hoàn toàn nhu cầu rà soát lại, nhưng cả hai đều giúp tiết kiệm thời gian khi bố cục nguồn đơn giản, rõ ràng.

Xuất dữ liệu bằng Adobe Acrobat

Quy trình hiện tại của Adobe rất đơn giản:

1. Mở file PDF trong Acrobat.
2. Chọn Export PDF.
3. Chọn Spreadsheet.
4. Chọn Microsoft Excel Workbook (.xlsx).
5. Lưu file kết quả.
6. Mở bảng tính và kiểm tra các trang tính vừa trích xuất trước khi chỉnh sửa giá trị.

Acrobat cũng hỗ trợ xuất sang XLSX và XML, với các tùy chọn có thể tạo một trang tính cho mỗi bảng, mỗi trang hoặc cho toàn bộ tài liệu. Đối với báo cáo có các bảng đồng nhất giữa các trang, việc lựa chọn cách chia trang tính sẽ ảnh hưởng đến mức độ dễ dàng khi lọc và đối soát dữ liệu sau này.

Quy trình này hầu như không thay đổi qua nhiều năm. Hướng dẫn chuyển đổi PDF sang Excel hiện tại của Adobe hỗ trợ quy trình xuất kể trên, trong khi tài liệu quy trình xuất năm 2009 của hãng cũng đã mô tả việc lưu dưới dạng bảng tính, chạy OCR cho PDF dạng scan và mở dữ liệu bảng trong Excel. Tính kế thừa đó giúp Acrobat trở thành lựa chọn thực tế cho người dùng cần một giải pháp chuyển đổi quen thuộc trên máy tính để bàn hoặc trên nền tảng web.

Acrobat hữu ích nhất khi file PDF có văn bản chọn được, các cột đồng nhất và ít biến động về bố cục. Công cụ này sẽ kém tin cậy hơn khi tài liệu là dạng hình ảnh scan, có ghi chú viết tay hoặc kết hợp nhiều kiểu thiết kế bảng biểu khác nhau trong cùng một file.

Nhập dữ liệu thông qua Excel Power Query

Tính năng nhập dữ liệu gốc của Excel giúp bạn dễ quan sát hơn những gì ứng dụng nhận diện được:

1. Mở Excel và tạo mới hoặc mở một bảng tính.
2. Chuyển đến thẻ Data.
3. Chọn Get Data, sau đó chọn From File, rồi chọn From PDF.
4. Chọn file PDF và nhấn Import.
5. Xem lại bảng Navigator, nơi hiển thị các bảng và trang được phát hiện.
6. Chọn một bảng và nhấn Load, hoặc chọn Transform Data để làm sạch dữ liệu trong Power Query trước.

Power Query rất hữu ích khi bạn cần xóa các tiêu đề lặp lại, thay đổi kiểu dữ liệu, tách cột, lọc bỏ chân trang hoặc gộp các bảng trước khi tải kết quả ra. Nó cung cấp cho bạn một lớp chuyển đổi có thể tái sử dụng thay vì buộc bạn phải sửa thủ công từng ô trong bảng tính.

Điểm đánh đổi là Power Query chỉ xử lý dựa trên những gì nó nhận diện được. Nếu tài liệu nguồn không có cấu trúc bảng đáng tin cậy, bản xem trước có thể bị thiếu sót hoặc phân mảnh. Bản thân Power Query cũng không tự xử lý được các vấn đề về OCR, vì vậy tài liệu scan vẫn cần một bước nhận dạng trước khi Excel có thể làm việc với nội dung của chúng.

Hãy sử dụng Acrobat để xuất nhanh từ một file PDF rõ ràng. Sử dụng Power Query khi bạn cần làm sạch dữ liệu có kiểm soát, áp dụng các phép biến đổi có thể lặp lại, hoặc xử lý thận trọng nhiều bảng biểu được phát hiện. Trong cả hai trường hợp, hãy lưu giữ file PDF gốc và xuất ra một file làm việc riêng biệt.

Độ chính xác của OCR và thời điểm PDF dạng scan cần xử lý bổ sung

Các file PDF dạng scan đòi hỏi một cách tiếp cận khác vì công cụ không đọc một bảng dữ liệu thực sự. Nó đang phân tích một hình ảnh và cố gắng tái tạo lại văn bản từ các điểm ảnh (pixel). Chất lượng bản scan, độ tương phản, độ nghiêng, độ nén, chữ viết tay, con dấu và nhiễu nền đều ảnh hưởng trực tiếp đến kết quả.

Một quy trình đáng tin cậy bắt đầu từ khâu chuẩn bị tài liệu nguồn. Một quy trình OCR kỹ thuật để trích xuất PDF khuyến nghị làm việc từ hình ảnh trang có độ phân giải từ 300 DPI trở lên, chạy OCR, sau đó phân tích cú pháp văn bản đã nhận diện thành cấu trúc bảng tính. Hình ảnh có độ phân giải thấp sẽ làm giảm mạnh chất lượng nhận diện, do đó việc tăng độ phức tạp của công cụ xuất cũng không thể bù đắp cho chất lượng nguồn kém.

Sử dụng thang độ chính xác làm cơ sở ra quyết định

Các thang đo chuẩn (benchmark) này rất hữu ích để quyết định mức độ rà soát cần thiết cho một tệp. Theo cùng báo cáo chuẩn OCR theo loại tài liệu, các file PDF kỹ thuật số có thể đạt độ chính xác theo trường khoảng 97% đến 99,5%, trong khi các tài liệu viết tay hoặc có độ nhiễu cao có thể giảm xuống còn khoảng 60% đến 85%.

Những con số đó không phải là ngưỡng phê duyệt áp dụng cho mọi quy trình. Chúng cho thấy lý do tại sao một bảng tiến độ in ấn rõ ràng có thể phù hợp cho tự động hóa hỗ trợ, trong khi một báo cáo hiện trường viết tay hoặc bản scan tài liệu cũ bị hư hại lại cần được kiểm tra đối chiếu kỹ lưỡng. Một lỗi ký tự nhỏ trong số lượng hoặc kích thước có thể gây hậu quả lớn hơn rất nhiều so với hàng loạt từ ngữ được nhận dạng chính xác.

Một so sánh năm 2026 về độ chính xác chuyển PDF sang Excel cho thấy tỷ lệ đạt khoảng 92% đến 98% đối với các bản scan 300 DPI rõ nét khi sử dụng các công cụ mạnh, khoảng 80% đến 93% đối với các bản scan trung bình, và chỉ khoảng 45% đến 80% đối với các bản scan kém, tùy thuộc vào công cụ xử lý. Sự chênh lệch lớn này là phát hiện quan trọng. Tình trạng tài liệu thường đóng vai trò quan trọng không kém gì việc lựa chọn phần mềm.

Xử lý sơ bộ trước khi trích xuất

Trước khi bắt đầu chạy OCR, hãy kiểm tra các trang thay vì gửi thẳng toàn bộ tệp vào tiến trình chuyển đổi.

• Kiểm tra hướng trang: Xoay các trang bị ngược hoặc nằm ngang để chiều văn bản luôn đồng nhất.
• Cải thiện độ rõ nét: Sử dụng bản scan rõ hơn khi bóng mờ, con dấu hoặc độ nén che khuất các ký tự.
• Phân loại tài liệu: Tách riêng bảng biểu, bản vẽ đánh dấu và các trang phụ trợ khi chúng cần các quy tắc trích xuất khác nhau.
• Xác nhận độ phân giải: Hướng tới mức chuẩn tối thiểu 300 DPI như tài liệu kỹ thuật đã nêu.
• Nhận diện chữ viết tay: Đánh dấu các trường viết tay để kiểm tra thủ công thay vì xử lý như văn bản in.

Sau khi OCR hoàn tất, hãy so sánh các hàng dữ liệu tiêu biểu với tài liệu gốc. Đối với hồ sơ xây dựng, hãy kiểm tra số lượng, kích thước, mã định danh hạng mục và tổng số trước tiên. Đối với chứng từ tài chính, hãy kiểm tra ngày tháng, vị trí dấu thập phân, số hiệu tài khoản và số tiền.

Một bảng tính dùng để hỗ trợ phần mềm dự toán hệ thống cấp thoát nước cần được rà soát kỹ lưỡng tương tự như bất kỳ dữ liệu tài chính đầu vào nào. OCR chỉ là công cụ hỗ trợ trích xuất, chứ không phải bằng chứng cho thấy mọi ô dữ liệu đều đã chính xác.

Công cụ bên thứ ba và Power Query cho các bảng phức tạp

Các công cụ chuyển đổi tích hợp sẵn hoạt động tốt khi nguồn tài liệu rõ ràng và có cấu trúc dự đoán được. Các tài liệu phức tạp đòi hỏi sự lựa chọn kỹ lưỡng hơn. Tiêu đề nhiều hàng, bảng lồng nhau, khoảng cách không đều, hình mờ (watermark), trang bị xoay và chữ viết tay xen lẫn có thể làm hỏng quá trình xuất dữ liệu đơn giản, ngay cả khi mắt người vẫn có thể đọc được trang tài liệu đó.

Power Query thường là lựa chọn mạnh mẽ nhất khi các bảng bên dưới đã có thể nhận diện được. Công cụ này có thể chuyển một hàng thành tiêu đề, xóa các hàng không mong muốn, thay đổi kiểu dữ liệu, tách trường, lọc các thành phần trang bị lặp lại và kết hợp kết quả đầu ra thông qua một quy trình chuyển đổi có thể lặp lại. Điều đó khiến nó trở nên vô cùng hữu ích cho các báo cáo định kỳ có bố cục ổn định.

Các công cụ trích xuất bảng chuyên dụng sẽ hữu ích hơn khi bạn cần xác định vùng bảng, giữ lại các cột cụ thể hoặc xuất dữ liệu có cấu trúc sang định dạng như CSV trước khi đưa vào Excel. Các nền tảng tập trung vào OCR sẽ phù hợp hơn khi tệp đầu vào là dạng scan, khối lượng công việc lặp lại định kỳ hoặc tài liệu chứa các bố cục phức tạp đòi hỏi khả năng nhận diện và ánh xạ trường dữ liệu.

Lựa chọn dựa trên độ phức tạp của tài liệu

Sử dụng CSV khi bạn cần trao đổi dữ liệu phẳng và bảng có ít sự phức tạp về mặt cấu trúc. Sử dụng Power Query khi việc chuyển đổi và tính lặp lại quan trọng hơn định dạng trực quan. Sử dụng công cụ OCR chuyên dụng khi tài liệu là dạng scan hoặc khi xử lý luồng tệp không đồng nhất diễn ra định kỳ.

Đối với hồ sơ cấp phép, bản vẽ đánh dấu của nhà thầu phụ và các bản scan cũ, việc dọn dẹp thủ công vẫn có thể là quyết định đúng đắn. Một tệp tài liệu ngắn nhưng có tính chất quan trọng thường sẽ an toàn hơn khi kiểm tra trực tiếp thay vì ép qua một quy trình tự động nhưng lại tạo ra các hàng nhìn có vẻ hợp lý nhưng bị lệch hàng.

Khi các đội ngũ xây dựng cần so sánh quy trình duyệt tài liệu hoặc lập dự toán, một tài liệu chuyên sâu như bài so sánh Bluebeam này có thể giúp định hình lựa chọn dựa trên công việc đang thực hiện, chứ không chỉ dựa trên định dạng xuất. Công cụ phù hợp là công cụ mang lại kết quả có thể truy vết và kiểm tra được.

Danh sách kiểm tra (checklist) xác thực và dọn dẹp dữ liệu sau khi xuất

Bảng tính sau khi xuất chỉ là bản nháp cho đến khi vượt qua bước xác thực. Hãy bắt đầu bằng cách lưu lại tệp kết quả gốc chưa chỉnh sửa, sau đó thực hiện các chỉnh sửa trên một bản sao riêng biệt. Điều đó tạo ra dấu vết kiểm toán và cho phép so sánh dữ liệu đã dọn dẹp với trang tài liệu gốc.

Kiểm tra cấu trúc trước khi kiểm tra giá trị

Kiểm tra trang tính từ trên xuống dưới và so sánh bố cục với tệp PDF. Tìm kiếm các tiêu đề bị trùng lặp, hàng bị thiếu, chân trang đặt sai vị trí, các cột bị gộp và thứ tự cột bị thay đổi giữa các trang. Nếu một bảng trải dài qua nhiều trang vốn liền mạch, hãy xác nhận rằng trang thứ hai bắt đầu bằng các trường dữ liệu chính xác thay vì bắt đầu một bảng mới bị lệch hàng.

Tiếp theo, hãy kiểm tra kiểu dữ liệu. Các con số bị xuất dưới dạng văn bản (text) thường đi kèm khoảng trắng, ký hiệu tiền tệ, khoảng trắng không ngắt (nonbreaking space) hoặc dấu câu khiến không thể tính toán được. Trong một cột phụ, hàm =VALUE(A2) có thể chuyển đổi chuỗi số sạch, trong khi tính năng Text to Columns có thể giúp tách hoặc chuẩn hóa các giá trị đang ở dạng văn bản. Hãy kiểm tra định dạng ô sau đó, vì một chuyển đổi nhìn có vẻ thành công vẫn có thể chứa các ký tự ẩn.

Đối chiếu bảng tính

Sử dụng các bước kiểm tra độc lập thay vì chỉ dựa vào một tổng số hiển thị duy nhất.

• So sánh số lượng hàng: Đếm số hàng dữ liệu dự kiến và loại trừ các dòng tiêu đề hoặc chân trang bị lặp lại.
• Tính toán lại tổng: Sử dụng hàm SUM trên cột số tiền hoặc số lượng đã được dọn dẹp và so sánh kết quả với tổng số trên PDF.
• Kiểm tra ô trống: Lọc các cột chính để tìm các ô trống tại những vị trí mà tài liệu gốc có giá trị.
• Kiểm tra các giá trị cực trị: Sắp xếp số lượng và số tiền để phát hiện các dấu thập phân đặt sai chỗ hoặc văn bản bất thường.
• Kiểm tra lại công thức: Xác nhận rằng các công thức tham chiếu đúng các hàng và cột dự kiến sau khi dọn dẹp.

Hướng dẫn xử lý lỗi trích xuất PDF chỉ ra cụ thể định dạng ô, hàm VALUE, Text to Columns và việc trích xuất bảo toàn cấu trúc là những biện pháp bảo vệ thiết thực. Các bước kiểm tra này rất nhanh, nhưng chúng giúp phát hiện những lỗi có thể lọt qua quá trình kiểm tra sơ sài bằng mắt thường.

Cuối cùng, hãy ghi chép lại những gì đã thay đổi. Nếu đội ngũ của bạn kết hợp các tệp PDF đã xuất với hồ sơ khách hàng tiềm năng hoặc nhà cung cấp, các phương pháp trích xuất khách hàng tiềm năng đáng tin cậy và nhất quán có thể giúp giữ cho dữ liệu nguồn được tổ chức ngăn nắp trước khi đưa vào quy trình bảng tính rộng hơn. Nguyên tắc vẫn tương tự: bảo toàn dữ liệu nguồn, ghi lại các bước chuyển đổi và phân định rõ trách nhiệm kiểm duyệt.

Lựa chọn quy trình phù hợp cho tài liệu của bạn

Hãy bắt đầu với ba câu hỏi: Tệp PDF là dạng gốc hay dạng scan? Bảng biểu đơn giản hay phức tạp? Dữ liệu Excel sẽ được sử dụng vào việc gì sau đó? Một bảng dữ liệu từ file PDF gốc rõ nét dùng cho phân tích cơ bản thường có thể xử lý qua Acrobat hoặc Excel. Một bảng tiến độ dạng scan dùng cho lập dự toán cần được chuẩn bị OCR và quy trình kiểm duyệt có ghi chép. Một tập hợp các tệp không đồng nhất diễn ra định kỳ có thể cần một quy trình trích xuất chuyên dụng kết hợp xác minh từ con người.

Đối với các đội ngũ xây dựng, đừng coi mọi trang PDF đều là vấn đề trích xuất dữ liệu. Bản vẽ thiết kế có thể được xử lý tốt hơn bằng nền tảng bóc tách khối lượng (takeoff) có khả năng hiểu tỷ lệ, ký hiệu, diện tích và kích thước tuyến tính, trong khi bảng phân bổ giá trị hợp đồng có thể phù hợp với Acrobat hoặc Power Query. Ví dụ, Exayard cho phép người dùng trong ngành xây dựng tải lên bản vẽ dạng PDF hoặc hình ảnh, tạo kết quả bóc tách khối lượng (takeoff) và dự toán, sau đó xuất các kết quả đó sang Excel, PDF hoặc CSV. Các đội ngũ xử lý tài liệu phần mái cũng có thể tham khảo phần mềm dự toán phần mái như một phần trong việc đánh giá quy trình làm việc của mình.

Hãy xây dựng một quy trình có thể lặp lại dựa trên từng phân loại tài liệu. Ghi lại tình trạng nguồn, chọn phương pháp trích xuất, giữ lại bản gốc, xác thực kết quả đầu ra và đánh dấu các trang chưa chắc chắn để con người kiểm duyệt. Vấn đề không phải là liệu một công cụ có thể xuất tệp hay không. Vấn đề là liệu đội ngũ của bạn có thể giải thích lý do tại sao bảng tính thu được lại đáng tin cậy.

---

Exayard giúp các đội ngũ xây dựng biến các bản vẽ dạng PDF và hình ảnh thành các bản bóc tách khối lượng (takeoff) và dự toán có cấu trúc, có thể xuất sang Excel, PDF hoặc CSV. Nếu quy trình hiện tại của bạn bao gồm việc sao chép số lượng từ bản vẽ rồi kiểm tra thủ công từng dòng một, hãy truy cập Exayard để khám phá một lộ trình có tính lặp lại cao hơn từ bản vẽ đến dữ liệu sẵn sàng cho hồ sơ đề xuất.