So extrahieren Sie bestimmte Daten automatisch aus PDF-Dokumenten

PDF-Textextraktion vs. strukturierte PDF-Datenextraktion

Ein PDF kann Hunderte oder Tausende Informationen enthalten, doch die meisten Geschäftsprozesse benötigen nur einen kleinen Teil davon.

Stellen Sie sich ein Lieferanten-Registrierungsdokument mit Firmendaten, Kontakten, Zahlungsbedingungen, Bankdaten und Rechtstexten vor. Ihr Workflow braucht vielleicht nur:

company_name
registration_number
contact_email
payment_terms

Ein herkömmlicher PDF-Textextraktor liefert das Dokument möglicherweise so zurück:

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...

Die Information ist technisch vorhanden, aber jemand – oder ein anderes System – muss noch bestimmen, welcher Wert dem Lieferantennamen, der Registernummer, der E-Mail-Adresse oder den Zahlungsbedingungen entspricht.

Bei der strukturierten PDF-Datenextraktion werden zuerst die Zielfelder festgelegt:

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

Dieser Ansatz wird auch als Dokumentfeldextraktion, Extraktion von Schlüsselinformationen oder Schlüssel-Wert-Extraktion bezeichnet.

4 gängige Wege, Daten aus PDFs zu extrahieren

1. Informationen manuell kopieren und einfügen

Für ein einzelnes Dokument kann die manuelle Extraktion genügen. Sie öffnen das PDF, suchen den benötigten Wert und kopieren ihn in Ihre Tabelle, Ihr CRM oder ein anderes System.

Das Problem entsteht, wenn derselbe Vorgang bei Dutzenden oder Hunderten von Dateien wiederholt werden muss. Jedes PDF muss weiterhin geöffnet, durchsucht, geprüft und von Hand kopiert werden.

2. Das gesamte PDF konvertieren

Eine weitere Möglichkeit ist, das PDF in Text, CSV oder eine Tabelle umzuwandeln. Das funktioniert, wenn der größte Teil des Dokumentinhalts relevant ist.

Wenn Sie das gesamte PDF konvertieren und die gewünschten Informationen anschließend trotzdem in der konvertierten Datei suchen müssen, haben Sie das Dokument konvertiert – die Extraktion aber nicht automatisiert.

Bei einem 15-seitigen Dokument, in dem nur fünf Werte zählen, verlagert die Konvertierung des Ganzen das Suchproblem womöglich nur in ein anderes Format.

3. Einen PDF-Parser entwickeln oder nutzen

Ein PDF-Parser gibt Entwicklern mehr technische Kontrolle. Ein individueller Workflow kann PDF-Text lesen, Tabellen erkennen, Muster identifizieren, Seitenkoordinaten verwenden und Werte vordefinierten Feldern zuordnen.

Das kann bei sehr speziellen technischen Anforderungen sinnvoll sein, verursacht aber auch Wartungsaufwand, wenn sich Layouts oder Formatierungen ändern.

4. Automatisierte feldbasierte Datenextraktion nutzen

Die feldbasierte Extraktion geht vom gewünschten Ergebnis aus. Statt zuerst alles zu extrahieren, legen Sie Felder fest wie:

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

Der Extraktionsprozess identifiziert dann die Werte, die dieser Struktur entsprechen.

So extrahieren Sie bestimmte Daten aus einem PDF mit Heyyel Data Extractor

Mit Heyyel Data Extractor legen Sie fest, welche Informationen Sie abrufen möchten, bevor das Dokument verarbeitet wird. Der Ablauf lässt sich auf fünf Hauptschritte reduzieren.

Schritt 1 — Dokument hochladen

Laden Sie zunächst die Datei hoch, die Sie verarbeiten möchten. Heyyel Data Extractor unterstützt PDF, PNG, JPG, WebP und TIFF; die Quelle kann also ein digitales PDF, ein Scan oder ein Bild sein.

Schritt 2 — Dokumenttyp wählen oder mit Benutzerdefiniert / Leer beginnen

Sie können mit mehreren Dokumenttypen beginnen, darunter:

• Rechnung
• Beleg
• Ausweis / Reisepass
• Visitenkarte
• Vertrag
• Kontoauszug
• Rohdaten
• Benutzerdefiniert / Leer

Voreinstellungen liefern vorgeschlagene Felder. Passt das Dokument in keine Standardkategorie – oder möchten Sie die volle Kontrolle über das Ergebnis –, verwenden Sie Benutzerdefiniert / Leer.

Schritt 3 — Genau festlegen, was extrahiert werden soll

Jedes Feld beschreibt eine Information, die zurückgegeben werden soll.

Verwenden Sie präzise Feldnamen

Ein Feld namens date kann zu vage sein, wenn ein Vertrag ein Unterschriftsdatum, ein Beginndatum, ein Verlängerungsdatum und ein Ablaufdatum enthält.

Verwenden Sie stattdessen einen präzisen Namen wie contract_effective_date.

Ergänzen Sie einen Extraktionshinweis, wenn das Feld Kontext braucht

Reicht der Feldname allein nicht aus, fügen Sie eine Anweisung hinzu, die beschreibt, was der Wert bedeutet.

Den nach Steuern und Rabatten zu zahlenden Endbetrag extrahieren.

Oder für ein Datum:

Das Datum extrahieren, an dem die Vereinbarung wirksam wird, nicht das Unterschriftsdatum.

Felder lassen sich auch als Pflichtfelder markieren. Heyyel Data Extractor unterstützt 77 Sprachen, mit automatischer Spracherkennung oder bei Bedarf manueller Auswahl.

Schritt 4 — Extraktion starten und Ergebnis prüfen

Sind die Felder konfiguriert, starten Sie die Extraktion. Die Ausgabe folgt der von Ihnen definierten Struktur, statt einfach den PDF-Inhalt wiederzugeben.

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

Die extrahierten Werte lassen sich neben dem Quelldokument prüfen, was hilft, wenn ein PDF mehrere ähnliche Werte enthält.

Schritt 5 — Daten als JSON oder CSV exportieren

Nach Abschluss der Extraktion können die Informationen in einem strukturierten Format exportiert werden.

PDF zu JSON

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

PDF zu CSV

Das unterscheidet sich von der Umwandlung des gesamten PDFs in CSV, weil nur die für die Extraktion gewählten Felder Teil des Datensatzes werden.

Und gescannte PDFs?

Nicht jedes PDF enthält auswählbaren Text. Ein gescanntes PDF kann nur Bilder von Seiten enthalten, sodass OCR nötig ist, bevor die relevanten Informationen extrahiert werden können.

OCR beantwortet „Welcher Text steht auf dieser Seite?“ Die Datenextraktion beantwortet „Welche Werte entsprechen den Informationen, die mein Workflow braucht?“

Rohdaten oder bestimmte Felder: Was sollten Sie verwenden?

Häufige Herausforderungen bei der Datenextraktion aus PDFs

Unterschiedliche Dokumentlayouts

Dieselbe Information kann in unterschiedlichen Dokumentlayouts auftauchen. Ein Lieferant zeigt die Registernummer im Kopfbereich an, ein anderer platziert sie in einer Tabelle mit Firmeninformationen.

Mehrdeutige Werte

Eine Rechnung kann Rechnungsdatum, Fälligkeitsdatum und Zahlungsdatum enthalten. Ein Vertrag kann Unterschriftsdatum, Beginndatum und Ablaufdatum enthalten. Die Herausforderung besteht darin zu erkennen, welcher Wert dem gesuchten Feld entspricht.

Gescannte oder bildbasierte Dokumente

Gescannte PDFs enthalten möglicherweise keine maschinenlesbare Textebene, daher ist OCR nötig, bevor ihre Informationen strukturiert werden können.

Tabellen und wiederholte Informationen

Rechnungspositionen, Banktransaktionen, Produkte und andere wiederholte Datensätze müssen einander zugeordnet bleiben, statt als unzusammenhängender Text zurückgegeben zu werden.

Geschäftsspezifische Terminologie

Ein Dokument verwendet Kundenreferenz, ein anderes Kontoreferenz und wieder ein anderes Kundennummer für dasselbe Konzept. Die Bedeutung des Feldes festzulegen kann daher wichtiger sein, als eine Bezeichnung exakt zu treffen.

Wann ist die feldbasierte PDF-Extraktion nützlich?

Welche PDF-Extraktionsmethode sollten Sie wählen?

Beginnen Sie mit der Ausgabe, die Sie brauchen. Soll das Endergebnis ein bekannter Satz von Feldern sein, passt die strukturierte Feldextraktion meist besser als die Konvertierung des gesamten Dokuments.

Häufig gestellte Fragen