Cách trích xuất bảng và số liệu từ PDF bằng AI

Trích xuất dữ liệu từ PDF bằng AI là gì

Trích xuất dữ liệu từ PDF bằng AI là quá trình biến nội dung “chỉ để xem” trong PDF thành dữ liệu có cấu trúc để tính toán. AI giúp ở ba việc: nhận dạng chữ trong ảnh (OCR), hiểu bố cục bảng (dòng, cột, ô gộp) và chuẩn hóa dữ liệu (ngày tháng, số tiền, đơn vị).

Tình huống hay gặp ở doanh nghiệp Việt Nam:

• Kế toán: lấy số liệu từ sao kê ngân hàng PDF, bảng kê hóa đơn, báo cáo của nhà cung cấp.
• Kinh doanh: lấy bảng giá, danh mục sản phẩm từ catalog PDF của hãng.
• Hành chính, nhân sự: tổng hợp bảng chấm công, danh sách từ các file PDF chi nhánh gửi về.
• Quản lý: trích số liệu từ báo cáo ngành, báo cáo tài chính công bố.

Khi nào không nên dùng AI

Nếu phần mềm nguồn xuất được Excel hoặc CSV, hãy xin file gốc thay vì trích từ PDF. Với số liệu dùng để quyết toán, nộp cơ quan nhà nước, kết quả AI chỉ là bản nháp, bắt buộc đối chiếu đầy đủ.

Chuẩn bị: phân loại PDF và xác định đầu ra

1. Kiểm tra lớp chữ: mở PDF, thử bôi đen một con số. Chọn được là PDF số, không chọn được là PDF scan hoặc ảnh chụp.
2. Đánh giá chất lượng: bản scan nghiêng, mờ, có dấu mộc đè lên số sẽ làm OCR sai nhiều.
3. Xác định bảng cần lấy: trang nào, bảng nào, có bảng kéo dài nhiều trang không.
4. Thiết kế cột đầu ra: viết sẵn danh sách cột và kiểu dữ liệu, ví dụ: Ngày (dd/mm/yyyy), Số chứng từ (chữ), Diễn giải (chữ), Ghi nợ (số), Ghi có (số).
5. Quy ước định dạng số: PDF tiếng Việt thường dùng dấu chấm phân cách hàng nghìn, PDF nước ngoài dùng dấu phẩy. Ghi rõ để AI chuyển đúng.
6. Bảo mật: sao kê, bảng lương là dữ liệu nhạy cảm. Chỉ dùng công cụ công ty đã duyệt hoặc giải pháp chạy nội bộ.

Với PDF scan

Chạy OCR trước bằng Adobe Acrobat, Microsoft Word (mở PDF trong Word) hoặc công cụ OCR mã nguồn mở như Tesseract. Một số mô hình AI đa phương thức đọc thẳng ảnh được, nhưng OCR trước giúp kiểm tra dễ hơn.

Các bước lấy bảng từ PDF bằng chatbot AI

ChatGPT, Claude, Gemini đều đọc được PDF tải lên. Quy trình:

1. Tải file PDF lên cuộc trò chuyện. File dài thì tách riêng các trang chứa bảng.
2. Nhập yêu cầu cấu trúc rõ ràng: Trích xuất bảng ở trang {số} thành bảng gồm các cột: {danh sách cột}. Giữ nguyên thứ tự dòng. Số tiền chuyển sang dạng số không có dấu phân cách. Ô trống để trống, không tự điền. Cuối cùng ghi tổng cột {tên cột} và số dòng đã trích.
3. Yêu cầu xuất ra file Excel hoặc CSV để tải về, hoặc bảng để sao chép.
4. So số dòng và tổng AI báo với số dòng, dòng tổng trên PDF gốc.
5. Nếu bảng kéo dài nhiều trang, yêu cầu trích từng trang rồi ghép, kiểm tra không lặp tiêu đề cột.

Trích số liệu rời rạc

Với báo cáo dạng văn bản, yêu cầu: Liệt kê các chỉ số {doanh thu, lợi nhuận, số nhân viên} xuất hiện trong tài liệu, kèm năm và số trang. Không tính toán, chỉ trích nguyên văn. Ghi số trang giúp kiểm tra nhanh.

Các bước lấy bảng bằng Excel Power Query

Nếu PDF có lớp chữ và bảng định dạng rõ ràng, Excel trong Microsoft 365 có sẵn chức năng lấy dữ liệu từ PDF, không cần gửi file lên dịch vụ AI bên ngoài.

1. Mở Excel, vào tab Data, chọn Get Data, nguồn From File, chọn From PDF.
2. Chọn file PDF, cửa sổ Navigator hiện danh sách bảng và trang Excel nhận diện được.
3. Bấm vào từng bảng để xem trước, chọn đúng bảng cần lấy.
4. Bấm Transform Data để mở Power Query, xóa dòng thừa, đặt dòng đầu làm tiêu đề, đổi kiểu dữ liệu cột.
5. Bấm Close and Load để đưa vào sheet.
6. Khi có file PDF tháng sau cùng mẫu, đổi đường dẫn nguồn và bấm Refresh.

Tên menu có thể khác đôi chút giữa các phiên bản Excel. Cách này hiệu quả nhất với báo cáo định kỳ cùng mẫu, như bảng kê từ cùng một phần mềm.

Kiểm tra kết quả: đối chiếu để không lọt lỗi

AI đọc số rất nhanh nhưng một chữ số sai có thể làm lệch cả báo cáo. Quy trình đối chiếu tối thiểu:

• Đối chiếu tổng: dùng hàm SUM trên cột đã trích, so với dòng tổng trên PDF.
• Đối chiếu số dòng: số giao dịch, số mặt hàng phải khớp.
• Kiểm tra mẫu: chọn ngẫu nhiên 5–10 dòng, so từng ô với PDF.
• Kiểm tra định dạng: ngày tháng không bị đảo ngày và tháng, số âm, số thập phân đúng.
• Đánh dấu ô nghi ngờ: yêu cầu AI ghi chú các ô đọc không chắc chắn.

Ví dụ

Kế toán một công ty phân phối 40 người trích sao kê ngân hàng PDF 6 trang. Tổng phát sinh có trên file Excel lệch với sao kê. Lọc ra thì thấy một dòng bị AI đọc nhầm dấu phân cách, biến giá trị hàng triệu thành hàng nghìn. Nhờ bước đối chiếu tổng, lỗi được phát hiện trước khi hạch toán.

Tự động hóa khi khối lượng lớn

Khi mỗi ngày có hàng chục file PDF cùng loại, như hóa đơn nhà cung cấp hay phiếu giao hàng, có thể xây quy trình tự động:

1. Trigger: file PDF mới được lưu vào thư mục chung hoặc gửi tới hộp thư riêng.
2. Xử lý: n8n, Make hoặc Power Automate gọi API của mô hình AI để trích dữ liệu theo cấu trúc cố định.
3. Kiểm tra tự động: so tổng tiền, kiểm tra trường bắt buộc, đánh dấu file lỗi.
4. Người duyệt: nhân viên xem các dòng được đánh dấu trước khi ghi vào Google Sheets hoặc phần mềm kế toán.
5. Lưu vết: giữ file gốc và kết quả trích để đối chiếu khi cần.

Đo hiệu quả bằng số file xử lý mỗi ngày, tỷ lệ file phải sửa tay và thời gian từ lúc nhận đến lúc vào sổ. Với dữ liệu nhạy cảm, có thể chạy mô hình AI trên máy chủ nội bộ để dữ liệu không rời khỏi công ty.

Lỗi thường gặp và cách khắc phục

• Cột bị lệch: bảng có ô gộp hoặc dòng diễn giải xuống hàng. Yêu cầu AI gộp dòng diễn giải vào dòng giao dịch phía trên.
• Nhầm dấu phân cách số: 1.250 bị hiểu là 1,25. Ghi rõ quy ước số trong yêu cầu và kiểm tra tổng.
• AI tự điền ô trống: yêu cầu rõ “ô trống để trống”.
• Bỏ sót trang: bảng dài nhiều trang bị cắt. Trích theo từng trang và đếm số dòng.
• Ngày tháng đảo: 03/04 bị hiểu là ngày 4 tháng 3. Yêu cầu xuất định dạng yyyy-mm-dd rồi đổi trong Excel.
• Tải dữ liệu nhạy cảm lên công cụ chưa được duyệt: dùng Power Query hoặc giải pháp nội bộ cho sao kê, bảng lương.

Câu hỏi thường gặp

Bài viết liên quan

• AI có thể đọc và phân tích file PDF không
• OCR là gì? Đọc hóa đơn, chứng từ tự động
• Cách dùng ChatGPT phân tích file Excel từng bước cho dân văn phòng
• Excel kết hợp AI cho kế toán: công thức, làm sạch dữ liệu, báo cáo
• ChatGPT cho kế toán: việc nên giao, việc không nên
• Multimodal AI là gì? AI đa phương thức đọc ảnh, nghe tiếng, xem video
• n8n là gì? Tự động hóa quy trình không cần code

Nguồn tham khảo

• Microsoft Support – Excel
• Tesseract OCR – GitHub
• Optical character recognition – Wikipedia