Cómo extraer automáticamente datos concretos de documentos PDF

Extracción de texto de PDF frente a extracción de datos estructurados de PDF

Un PDF puede contener cientos o miles de datos, pero la mayoría de los procesos de negocio solo necesitan una pequeña parte.

Imagine un documento de alta de proveedor con datos de la empresa, contactos, condiciones de pago, información bancaria y texto legal. Su flujo de trabajo quizá solo necesite:

company_name
registration_number
contact_email
payment_terms

Un extractor de texto de PDF tradicional puede devolver el documento así:

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...

La información está técnicamente disponible, pero alguien —u otro sistema— sigue teniendo que determinar qué valor corresponde al nombre del proveedor, al número de registro, al correo electrónico o a las condiciones de pago.

Con la extracción de datos estructurados de PDF, primero se definen los campos objetivo:

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

Este enfoque también se conoce como extracción de campos de documentos, extracción de información clave o extracción clave-valor.

4 formas habituales de extraer datos de PDF

1. Copiar y pegar la información manualmente

Para un solo documento, la extracción manual puede bastar. Abre el PDF, busca el valor necesario y lo copia en su hoja de cálculo, CRM u otro sistema.

El problema aparece cuando el mismo proceso hay que repetirlo con decenas o cientos de archivos. Cada PDF sigue teniendo que abrirse, revisarse, comprobarse y copiarse a mano.

2. Convertir el PDF completo

Otra opción es convertir el PDF en texto, CSV u hoja de cálculo. Funciona cuando la mayor parte del contenido del documento es relevante.

Si convierte todo el PDF y aun así tiene que buscar en el archivo convertido la información que quería, ha convertido el documento, pero no ha automatizado la extracción.

En un documento de 15 páginas en el que solo importan cinco valores, convertirlo todo puede limitarse a trasladar el mismo problema de búsqueda a otro formato.

3. Crear o usar un analizador de PDF

Un analizador de PDF da a los desarrolladores más control técnico. Un flujo a medida puede leer el texto del PDF, detectar tablas, identificar patrones, usar coordenadas de página y asignar valores a campos predefinidos.

Esto puede tener sentido para requisitos técnicos muy específicos, pero también genera trabajo de mantenimiento cuando cambian los diseños o el formato.

4. Usar la extracción automática de datos basada en campos

La extracción basada en campos parte del resultado que se quiere. En lugar de extraerlo todo primero, se definen campos como:

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

Después, el proceso de extracción identifica los valores que corresponden a esa estructura.

Cómo extraer datos concretos de un PDF con Heyyel Data Extractor

Heyyel Data Extractor le permite definir la información que quiere recuperar antes de procesar el documento. El proceso se resume en cinco pasos principales.

Paso 1 — Suba su documento

Empiece subiendo el archivo que quiere procesar. Heyyel Data Extractor admite PDF, PNG, JPG, WebP y TIFF, así que el origen puede ser un PDF digital, un escaneo o una imagen.

Paso 2 — Elija un tipo de documento o empiece desde Personalizado / En blanco

Puede empezar con varios tipos de documento, entre ellos:

• Factura
• Recibo
• Documento de identidad / Pasaporte
• Tarjeta de visita
• Contrato
• Extracto bancario
• Datos sin procesar
• Personalizado / En blanco

Los preajustes ofrecen campos sugeridos. Si el documento no encaja en una categoría estándar, o si quiere control total sobre el resultado, utilice Personalizado / En blanco.

Paso 3 — Defina exactamente lo que quiere extraer

Cada campo describe un dato que quiere recibir.

Utilice nombres de campo precisos

Un campo llamado date puede ser demasiado vago si un contrato incluye una fecha de firma, una fecha de entrada en vigor, una fecha de renovación y una fecha de vencimiento.

En su lugar, utilice un nombre preciso como contract_effective_date.

Añada una indicación de extracción cuando el campo necesite contexto

Si el nombre del campo no basta, añada una instrucción que describa qué significa el valor.

Extraer el importe final a pagar después de impuestos y descuentos.

O, para una fecha:

Extraer la fecha en la que el acuerdo entra en vigor, no la fecha de firma.

Los campos también pueden marcarse como obligatorios. Heyyel Data Extractor admite 77 idiomas, con detección automática del idioma o selección manual cuando haga falta.

Paso 4 — Ejecute la extracción y revise el resultado

Una vez configurados los campos, ejecute la extracción. La salida sigue la estructura que usted definió, en lugar de limitarse a reproducir el contenido del PDF.

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

Los valores extraídos pueden revisarse junto al documento de origen, lo que ayuda cuando un PDF contiene varios valores parecidos.

Paso 5 — Exporte los datos como JSON o CSV

Cuando termina la extracción, la información puede exportarse en un formato estructurado.

PDF a JSON

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

PDF a CSV

Esto se diferencia de convertir todo el PDF a CSV porque solo los campos seleccionados para la extracción pasan a formar parte del conjunto de datos.

¿Y los PDF escaneados?

No todos los PDF contienen texto seleccionable. Un PDF escaneado puede contener solo imágenes de páginas, lo que significa que se necesita OCR antes de poder extraer la información relevante.

El OCR responde a «¿Qué texto aparece en esta página?» La extracción de datos responde a «¿Qué valores corresponden a la información que necesita mi flujo de trabajo?»

Datos sin procesar o campos concretos: ¿cuál debería usar?

Dificultades habituales al extraer datos de PDF

Distintos diseños de documento

La misma información puede aparecer en diseños de documento distintos. Un proveedor puede mostrar el número de registro en la cabecera y otro colocarlo en una tabla de datos de la empresa.

Valores ambiguos

Una factura puede contener una fecha de factura, una fecha de vencimiento y una fecha de pago. Un contrato puede contener una fecha de firma, una fecha de entrada en vigor y una fecha de vencimiento. El reto es identificar qué valor representa el campo que necesita.

Documentos escaneados o basados en imágenes

Los PDF escaneados pueden no contener una capa de texto legible por máquina, por lo que se necesita OCR antes de poder estructurar su información.

Tablas e información repetida

Las líneas de factura, las transacciones bancarias, los productos y otros registros repetidos deben seguir asociados entre sí en lugar de devolverse como texto sin relación.

Terminología específica del negocio

Un documento puede usar Ref. de cliente, otro Referencia de cuenta y otro Número de cliente para el mismo concepto. Por eso, definir el significado del campo puede importar más que hacer coincidir una etiqueta exacta.

¿Cuándo es útil la extracción de PDF basada en campos?

¿Qué método de extracción de PDF debería elegir?

Empiece por el resultado que necesita. Si el resultado final debe ser un conjunto conocido de campos, la extracción estructurada de campos suele ser mejor opción que convertir el documento entero.

Preguntas frecuentes