Как автоматически извлекать конкретные данные из PDF-документов

Извлечение текста из PDF и структурированное извлечение данных из PDF

В PDF могут быть сотни или тысячи фрагментов информации, но большинству бизнес-процессов нужна лишь их малая часть.

Представьте документ о регистрации поставщика с данными о компании, контактами, условиями оплаты, банковскими реквизитами и юридическим текстом. Вашему процессу может быть нужно только:

company_name
registration_number
contact_email
payment_terms

Обычное средство извлечения текста из PDF может вернуть документ так:

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...

Информация технически доступна, но кому-то — или другой системе — всё равно нужно определить, какое значение соответствует названию поставщика, регистрационному номеру, адресу электронной почты или условиям оплаты.

При структурированном извлечении данных из PDF сначала определяются целевые поля:

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

Этот подход также называют извлечением полей документа, извлечением ключевой информации или извлечением пар «ключ — значение».

4 распространённых способа извлечения данных из PDF

1. Копировать и вставлять информацию вручную

Для одного документа может хватить ручного извлечения. Вы открываете PDF, находите нужное значение и копируете его в таблицу, CRM или другую систему.

Проблема возникает, когда тот же процесс нужно повторить для десятков или сотен файлов. Каждый PDF по-прежнему нужно открыть, просмотреть, проверить и скопировать вручную.

2. Преобразовать весь PDF

Другой вариант — преобразовать PDF в текст, CSV или электронную таблицу. Это работает, когда большая часть содержимого документа важна.

Если вы преобразовали весь PDF, но всё равно ищете нужную информацию в полученном файле, вы преобразовали документ, а не автоматизировали извлечение.

Для 15-страничного документа, где важны лишь пять значений, преобразование всего может просто перенести ту же задачу поиска в другой формат.

3. Создать или использовать парсер PDF

Парсер PDF даёт разработчикам больше технического контроля. Индивидуальный процесс может читать текст PDF, находить таблицы, определять шаблоны, использовать координаты на странице и сопоставлять значения с заранее заданными полями.

Это может быть оправдано при очень специфических технических требованиях, но создаёт и работу по сопровождению, когда меняются макеты или оформление.

4. Использовать автоматическое извлечение данных по полям

Извлечение по полям начинается с нужного результата. Вместо того чтобы сначала извлекать всё, вы определяете поля, например:

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

Затем процесс извлечения находит значения, соответствующие этой структуре.

Как извлечь конкретные данные из PDF с помощью Heyyel Data Extractor

Heyyel Data Extractor позволяет определить нужную информацию до обработки документа. Процесс сводится к пяти основным шагам.

Шаг 1 — Загрузите документ

Начните с загрузки файла, который нужно обработать. Heyyel Data Extractor поддерживает PDF, PNG, JPG, WebP и TIFF, поэтому источником может быть цифровой PDF, скан или изображение.

Шаг 2 — Выберите тип документа или начните с режима «Настраиваемый / Пустой»

Можно начать с нескольких типов документов, включая:

• Счёт
• Чек
• Удостоверение личности / Паспорт
• Визитная карточка
• Договор
• Банковская выписка
• Необработанные данные
• Настраиваемый / Пустой

Шаблоны предлагают готовые поля. Если документ не подходит под стандартную категорию — или вы хотите полностью контролировать результат — используйте Настраиваемый / Пустой.

Шаг 3 — Точно определите, что нужно извлечь

Каждое поле описывает информацию, которую нужно получить.

Используйте точные названия полей

Поле с названием date может быть слишком расплывчатым, если в договоре есть дата подписания, дата вступления в силу, дата продления и дата окончания.

Вместо этого используйте точное название, например contract_effective_date.

Добавьте подсказку для извлечения, если полю нужен контекст

Если одного названия поля недостаточно, добавьте инструкцию с описанием смысла значения.

Извлечь окончательную сумму к оплате после налогов и скидок.

Или для даты:

Извлечь дату вступления соглашения в силу, а не дату подписания.

Поля также можно пометить как обязательные. Heyyel Data Extractor поддерживает 77 языков с автоматическим определением языка или ручным выбором при необходимости.

Шаг 4 — Запустите извлечение и проверьте результат

Когда поля настроены, запустите извлечение. Результат следует заданной вами структуре, а не просто повторяет содержимое PDF.

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

Извлечённые значения можно проверить рядом с исходным документом, что помогает, когда в PDF несколько похожих значений.

Шаг 5 — Экспортируйте данные в JSON или CSV

После завершения извлечения информацию можно экспортировать в структурированном формате.

PDF в JSON

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

PDF в CSV

Это отличается от преобразования всего PDF в CSV, потому что в набор данных попадают только выбранные для извлечения поля.

А как быть с отсканированными PDF?

Не каждый PDF содержит выделяемый текст. Отсканированный PDF может состоять только из изображений страниц, а значит, прежде чем извлекать нужную информацию, требуется OCR.

OCR отвечает на вопрос «Какой текст есть на этой странице?», а извлечение данных — на вопрос «Какие значения соответствуют информации, нужной моему процессу?»

Необработанные данные или конкретные поля: что использовать?

Типичные сложности при извлечении данных из PDF

Разные макеты документов

Одна и та же информация может быть в разных макетах документов. Один поставщик указывает регистрационный номер в шапке, другой — в таблице сведений о компании.

Неоднозначные значения

В счёте могут быть дата счёта, срок оплаты и дата платежа. В договоре — дата подписания, дата вступления в силу и дата окончания. Сложность в том, чтобы определить, какое значение соответствует нужному полю.

Отсканированные и графические документы

В отсканированных PDF может не быть машиночитаемого текстового слоя, поэтому перед структурированием информации нужен OCR.

Таблицы и повторяющаяся информация

Позиции счетов, банковские операции, товары и другие повторяющиеся записи должны оставаться связанными между собой, а не возвращаться как несвязанный текст.

Терминология конкретного бизнеса

В одном документе может быть Номер клиента, в другом — Номер счёта, в третьем — Клиентский номер для одного и того же понятия. Поэтому определение смысла поля может быть важнее точного совпадения с одной подписью.

Когда полезно извлечение из PDF по полям?

Какой метод извлечения из PDF выбрать?

Начните с нужного результата. Если итогом должен быть известный набор полей, структурированное извлечение по полям обычно подходит лучше, чем преобразование всего документа.

Часто задаваемые вопросы