Как вырезать подпись из PDF и вставить в Excel: полное руководство с примерами

4. Автоматизация через Excel Power Query

Для пользователей, работающих с большим количеством PDF, ручные методы неэффективны. Power Query в Excel позволяет импортировать данные из PDF как таблицу, если документ имеет чёткую структуру.

Как импортировать данные из PDF в Excel:

1. В Excel перейдите на вкладку Данные → Получить данные → Из файла → Из PDF.
2. Выберите нужный PDF-файл и нажмите Импорт.
3. В окне Power Query выберите страницу с подписью и нажмите Преобразовать данные.
4. Найдите столбец с подписями и удалите лишние данные.
5. Нажмите Закрыть и загрузить, чтобы перенести данные в Excel.

Ограничения метода:

• ❌ Работает только с текстовыми PDF, где подпись не является изображением.
• ❌ Требует Excel 2016+ или Office 365.
• ❌ Не подходит для документов со сложным форматированием (например, акты с печатями).

Пример кода на M (язык Power Query) для извлечения подписи:

let
Источник = Pdf.Tables(File.Contents("C:\Documents\contract.pdf")),
Страница1 = Источник{[Id="Page1"]}[Data],
ИзвлечениеПодписи = Table.SelectColumns(Страница1,{"Column3"}), // Замените на имя столбца с подписью
УдалениеПустых = Table.SelectRows(ИзвлечениеПодписи, each ([Column3] <> null))
in
УдалениеПустых

5. Скрипт на Python для автоматического извлечения подписей

Если вам нужно обработать десятки или сотни PDF, ручные методы отнимут слишком много времени. На помощь придёт Python с библиотеками PyPDF2 (для текстовых PDF) и pytesseract (для OCR).

Универсальный скрипт для извлечения подписей:

import os
import PyPDF2
import pandas as pd
from PIL import Image
import pytesseract
from pdf2image import convert_from_path

Путь к папке с PDF
pdf_folder = "C:/Documents/PDFs/"
output_excel = "signatures.xlsx"

Функция для извлечения текста из PDF
def extract_text_from_pdf(pdf_path):
with open(pdf_path, 'rb') as file:
reader = PyPDF2.PdfReader(file)
text = ""
for page in reader.pages:
text += page.extract_text()
return text

Функция для OCR (если текст не извлекается)
def extract_text_with_ocr(pdf_path):
images = convert_from_path(pdf_path)
text = ""
for img in images:
text += pytesseract.image_to_string(img, lang='rus+eng')
return text

Основной цикл обработки
data = []
for pdf_file in os.listdir(pdf_folder):
if pdf_file.endswith('.pdf'):
pdf_path = os.path.join(pdf_folder, pdf_file)
try:
# Пробуем извлечь текст
text = extract_text_from_pdf(pdf_path)
if "Подпись:" in text:  # Ищем маркер подписи
signature = text.split("Подпись:")[1].split("\n")[0].strip()
data.append({"Файл": pdf_file, "Подпись": signature})
else:
# Если не нашли, используем OCR
text = extract_text_with_ocr(pdf_path)
# Здесь добавьте логику поиска подписи в OCR-тексте
except Exception as e:
print(f"Ошибка при обработке {pdf_file}: {e}")

Сохраняем в Excel
df = pd.DataFrame(data)
df.to_excel(output_excel, index=False)
print(f"Готово! Результаты сохранены в {output_excel}")

Что делает скрипт:

• 📁 Обрабатывает все PDF в указанной папке.
• 🔍 Ищет текст после маркера "Подпись:" (замените на свой маркер).
• 🖼️ Если текст не извлекается, использует OCR через pytesseract.
• 📊 Сохраняет результаты в Excel с именем файла и подписью.

Как настроить скрипт под свои нужды:

1. Установите библиотеки: pip install PyPDF2 pandas pillow pytesseract pdf2image.
2. Скачайте Tesseract OCR и добавьте в PATH.
3. Измените маркер поиска подписи (например, "Подписал:" или "ФИО:").
4. Для OCR укажите правильный язык (например, lang='rus' для русских подписей).

⚠️ Внимание: Скрипт может некорректно распознавать рукописные подписи — OCR лучше работает с печатным текстом. Для рукописных подписей рассмотрите ручной метод (способ 2) или дообучение Tesseract на ваших данных.

Сравнение методов: какой выбрать?

Выбор способа зависит от типа PDF, количества файлов и требований к результату. Ниже — сравнительная таблица:

Рекомендации по выбору:

• 📄 1-5 файлов → Ручной способ или извлечение как изображение.
• 📂 10-50 файлов → Power Query или ABBYY FineReader.
• 🗃️ 100+ файлов → Python-скрипт с PyPDF2/pytesseract.
• 🖼️ Нужно сохранить вид подписи → Извлечение как изображение или ручная вставка.

Частые ошибки и как их избежать

При переносе подписей из PDF в Excel пользователи сталкиваются с типичными проблемами. Вот как их решить:

1. Подпись вставляется как набор беспорядочных символов

• 🔹 Причина: Неправильная кодировка PDF или повреждённый файл.
• 🔹 Решение: Откройте PDF в Notepad++ и сохраните как UTF-8 без BOM. Или используйте OCR.

2. В Excel отображаются квадратики вместо букв

• 🔹 Причина: Шрифт в PDF не поддерживается Excel.
• 🔹 Решение: Скопируйте текст в Блокнот, затем в Excel. Или конвертируйте PDF в .docx через Word.

import re
import PyPDF2

def extract_data_from_pdf(pdf_path):
with open(pdf_path, 'rb') as file:
reader = PyPDF2.PdfReader(file)
text = ""
for page in reader.pages:
text += page.extract_text()

# Пример regex для извлечения ФИО, подписи и даты
pattern = r"ФИО: (.+?)\n.*Подпись: (.+?)\n.*Дата: (\d{2}\.\d{2}\.\d{4})"
match = re.search(pattern, text)
if match:
return {
"ФИО": match.group(1).strip(),
"Подпись": match.group(2).strip(),
"Дата": match.group(3).strip()
}
return None

Пример использования
data = extract_data_from_pdf("contract.pdf")
print(data)  # {'ФИО': 'Иванов И.И.', 'Подпись': 'Иванов', 'Дата': '01.01.2023'}