كيف تستخرج بيانات محدّدة من مستندات PDF تلقائيًا

استخراج النص من PDF مقابل استخراج بيانات PDF المنظّمة

قد يحتوي ملف PDF على مئات أو آلاف المعلومات، لكن معظم عمليات الأعمال تحتاج إلى جزء صغير منها فقط.

تخيّل مستند تسجيل مورّد يضم بيانات الشركة وجهات الاتصال وشروط الدفع والمعلومات المصرفية ونصًّا قانونيًا. قد لا يحتاج سير عملك إلا إلى:

company_name
registration_number
contact_email
payment_terms

قد يُرجع مستخرج نصوص PDF التقليدي المستند على هذا النحو:

SUPPLIER REGISTRATION FORM

Northstar Services
Registration Number: REG-58421

Primary Contact
Sarah Martin
finance@example.com

Payment Terms
Invoices shall be paid within 30 days...

المعلومات متاحة تقنيًا، لكن على شخص ما — أو نظام آخر — أن يحدّد أي قيمة تقابل اسم المورّد أو رقم التسجيل أو البريد الإلكتروني أو شروط الدفع.

ومع استخراج بيانات PDF المنظّمة تُحدَّد الحقول المستهدفة أولًا:

{
  "company_name": "Northstar Services",
  "registration_number": "REG-58421",
  "contact_email": "finance@example.com",
  "payment_terms": "30 days"
}

يُعرف هذا النهج أيضًا باسم استخراج حقول المستندات أو استخراج المعلومات الرئيسية أو استخراج المفتاح والقيمة.

4 طرق شائعة لاستخراج البيانات من PDF

1. نسخ المعلومات ولصقها يدويًا

في مستند واحد قد يكفي الاستخراج اليدوي. تفتح ملف PDF وتجد القيمة المطلوبة وتنسخها إلى جدول بياناتك أو نظام CRM أو أي نظام آخر.

تظهر المشكلة عندما يجب تكرار العملية نفسها مع عشرات أو مئات الملفات. فكل ملف PDF ما زال يحتاج إلى فتحه والبحث فيه ومراجعته ونسخه يدويًا.

2. تحويل ملف PDF بالكامل

خيار آخر هو تحويل ملف PDF إلى نص أو CSV أو جدول بيانات. ينجح هذا عندما يكون معظم محتوى المستند ذا صلة.

إذا حوّلت ملف PDF بأكمله وما زلت بحاجة إلى البحث في الملف المحوَّل عن المعلومات التي أردتها، فقد حوّلت المستند ولم تؤتمت الاستخراج.

في مستند من 15 صفحة لا تهمّ فيه سوى خمس قيم، قد يقتصر تحويل كل شيء على نقل مشكلة البحث نفسها إلى صيغة أخرى.

3. بناء محلّل PDF أو استخدامه

يمنح محلّل PDF المطوّرين تحكمًا تقنيًا أكبر. يمكن لسير عمل مخصّص أن يقرأ نص PDF ويكتشف الجداول ويحدّد الأنماط ويستخدم إحداثيات الصفحة ويربط القيم بحقول محدّدة مسبقًا.

قد يكون هذا منطقيًا لمتطلبات تقنية شديدة التخصص، لكنه يخلق أيضًا عبء صيانة عندما تتغيّر التخطيطات أو التنسيقات.

4. استخدام الاستخراج الآلي للبيانات القائم على الحقول

يبدأ الاستخراج القائم على الحقول من النتيجة التي تريدها. فبدلًا من استخراج كل شيء أولًا، تحدّد حقولًا مثل:

company_name → Text
registration_number → Text
contract_start_date → Date
annual_value → Number
approved → Boolean

ثم تحدّد عملية الاستخراج القيم التي تقابل هذه البنية.

كيف تستخرج بيانات محدّدة من PDF باستخدام Heyyel Data Extractor

يتيح لك Heyyel Data Extractor تحديد المعلومات التي تريد استرجاعها قبل معالجة المستند. ويمكن اختصار العملية في خمس خطوات رئيسية.

الخطوة 1 — ارفع مستندك

ابدأ برفع الملف الذي تريد معالجته. يدعم Heyyel Data Extractor صيغ PDF وPNG وJPG وWebP وTIFF، لذا يمكن أن يكون المصدر ملف PDF رقميًا أو مسحًا ضوئيًا أو صورة.

الخطوة 2 — اختر نوع المستند أو ابدأ من «مخصّص / فارغ»

يمكنك البدء بعدة أنواع من المستندات، منها:

• فاتورة
• إيصال
• بطاقة هوية / جواز سفر
• بطاقة عمل
• عقد
• كشف حساب مصرفي
• البيانات الخام
• مخصّص / فارغ

توفّر القوالب حقولًا مقترحة. وإذا لم يناسب المستند فئة قياسية — أو إذا أردت تحكمًا كاملًا في النتيجة — فاستخدم مخصّص / فارغ.

الخطوة 3 — حدّد بدقة ما تريد استخراجه

يصف كل حقل معلومة تريد إرجاعها.

استخدم أسماء حقول دقيقة

قد يكون حقل باسم date غامضًا جدًا إذا كان العقد يتضمن تاريخ توقيع وتاريخ سريان وتاريخ تجديد وتاريخ انتهاء.

استخدم بدلًا من ذلك اسمًا دقيقًا مثل contract_effective_date.

أضف تلميح استخراج عندما يحتاج الحقل إلى سياق

إذا لم يكفِ اسم الحقل وحده، فأضف تعليمات تصف معنى القيمة.

استخراج المبلغ النهائي المستحق الدفع بعد الضرائب والخصومات.

أو بالنسبة إلى تاريخ:

استخراج التاريخ الذي يبدأ فيه سريان الاتفاقية، لا تاريخ التوقيع.

ويمكن أيضًا تحديد الحقول على أنها مطلوبة. يدعم Heyyel Data Extractor 77 لغة مع الكشف التلقائي عن اللغة أو الاختيار اليدوي عند الحاجة.

الخطوة 4 — شغّل الاستخراج وراجع النتيجة

بعد ضبط الحقول، شغّل الاستخراج. تتبع المخرجات البنية التي حدّدتها بدلًا من مجرد إعادة إنتاج محتوى PDF.

{
  "supplier_name": "Northstar Services",
  "registration_number": "REG-58421",
  "contact_email": "finance@example.com",
  "payment_terms": "30 days",
  "approved": true
}

يمكن مراجعة القيم المستخرجة إلى جانب المستند المصدر، وهو ما يساعد عندما يحتوي ملف PDF على عدة قيم متشابهة.

الخطوة 5 — صدّر البيانات بصيغة JSON أو CSV

بعد اكتمال الاستخراج، يمكن تصدير المعلومات بصيغة منظّمة.

PDF إلى JSON

{
  "supplier_name": "Northstar Services",
  "registration_number": "REG-58421",
  "contact_email": "finance@example.com",
  "payment_terms": "30 days"
}

PDF إلى CSV

يختلف هذا عن تحويل ملف PDF بأكمله إلى CSV لأن الحقول المختارة للاستخراج فقط هي التي تصبح جزءًا من مجموعة البيانات.

وماذا عن ملفات PDF الممسوحة ضوئيًا؟

ليس كل ملف PDF يحتوي على نص قابل للتحديد. قد يحتوي ملف PDF الممسوح ضوئيًا على صور للصفحات فقط، ما يعني أن OCR مطلوب قبل استخراج المعلومات ذات الصلة.

يجيب OCR عن «ما النص الظاهر في هذه الصفحة؟» ويجيب استخراج البيانات عن «أي القيم تقابل المعلومات التي يحتاج إليها سير عملي؟»

البيانات الخام أم حقول محدّدة: أيهما تستخدم؟

التحديات الشائعة عند استخراج البيانات من PDF

تخطيطات مستندات مختلفة

قد تظهر المعلومة نفسها في تخطيطات مستندات مختلفة. فقد يعرض مورّد رقم التسجيل في الترويسة بينما يضعه آخر داخل جدول معلومات الشركة.

قيم ملتبسة

قد تتضمن الفاتورة تاريخ فاتورة وتاريخ استحقاق وتاريخ دفع. وقد يتضمن العقد تاريخ توقيع وتاريخ سريان وتاريخ انتهاء. والتحدي هو تحديد أي قيمة تمثّل الحقل الذي تحتاج إليه.

مستندات ممسوحة ضوئيًا أو قائمة على الصور

قد لا تحتوي ملفات PDF الممسوحة ضوئيًا على طبقة نصية قابلة للقراءة آليًا، لذا يلزم OCR قبل تنظيم معلوماتها.

الجداول والمعلومات المتكررة

يجب أن تبقى بنود الفواتير والمعاملات المصرفية والمنتجات والسجلات المتكررة الأخرى مرتبطة ببعضها بدلًا من إرجاعها كنص غير مترابط.

مصطلحات خاصة بالنشاط

قد يستخدم مستند مرجع العميل وآخر مرجع الحساب وثالث رقم العميل للمفهوم نفسه. ولذلك قد يكون تحديد معنى الحقل أهم من مطابقة تسمية واحدة بدقة.

متى يكون استخراج PDF القائم على الحقول مفيدًا؟

أي طريقة لاستخراج PDF ينبغي أن تختار؟

ابدأ بالمخرجات التي تحتاج إليها. إذا كان المطلوب في النهاية مجموعة معروفة من الحقول، فإن الاستخراج المنظّم للحقول أنسب عادةً من تحويل المستند بأكمله.

الأسئلة الشائعة