PDF belgelerinden belirli veriler otomatik olarak nasıl çıkarılır

PDF metin çıkarma ve yapılandırılmış PDF veri çıkarma

Bir PDF yüzlerce veya binlerce bilgi içerebilir, ancak çoğu iş süreci bunların yalnızca küçük bir kısmına ihtiyaç duyar.

Şirket bilgileri, kişiler, ödeme koşulları, banka bilgileri ve hukuki metin içeren bir tedarikçi kayıt belgesi düşünün. İş akışınızın yalnızca şunlara ihtiyacı olabilir:

company_name
registration_number
contact_email
payment_terms

Geleneksel bir PDF metin çıkarıcı belgeyi şöyle döndürebilir:

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...

Bilgi teknik olarak mevcuttur, ancak hangi değerin tedarikçi adına, sicil numarasına, e-postaya veya ödeme koşullarına karşılık geldiğini biri — ya da başka bir sistem — hâlâ belirlemek zorundadır.

Yapılandırılmış PDF veri çıkarmada önce hedef alanlar tanımlanır:

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

Bu yaklaşım, belge alanı çıkarma, anahtar bilgi çıkarma veya anahtar-değer çıkarma olarak da adlandırılır.

PDF’lerden veri çıkarmanın 4 yaygın yolu

1. Bilgileri elle kopyalayıp yapıştırmak

Tek bir belge için elle çıkarma yeterli olabilir. PDF’yi açar, gereken değeri bulur ve e-tablonuza, CRM’inize veya başka bir sisteme kopyalarsınız.

Sorun, aynı sürecin onlarca veya yüzlerce dosyada tekrarlanması gerektiğinde ortaya çıkar. Her PDF’nin yine açılması, taranması, kontrol edilmesi ve elle kopyalanması gerekir.

2. PDF’nin tamamını dönüştürmek

Bir başka seçenek PDF’yi metne, CSV’ye veya e-tabloya dönüştürmektir. Belge içeriğinin çoğu ilgiliyse bu işe yarar.

PDF’nin tamamını dönüştürüp istediğiniz bilgiyi dönüştürülmüş dosyada yine aramanız gerekiyorsa belgeyi dönüştürmüş olursunuz — çıkarmayı otomatikleştirmiş olmazsınız.

Yalnızca beş değerin önemli olduğu 15 sayfalık bir belgede her şeyi dönüştürmek, aynı arama sorununu yalnızca başka bir biçime taşıyabilir.

3. PDF ayrıştırıcı oluşturmak veya kullanmak

PDF ayrıştırıcı, geliştiricilere daha fazla teknik denetim sağlar. Özel bir iş akışı PDF metnini okuyabilir, tabloları algılayabilir, kalıpları belirleyebilir, sayfa koordinatlarını kullanabilir ve değerleri önceden tanımlı alanlarla eşleyebilir.

Bu, çok özel teknik gereksinimler için anlamlı olabilir, ancak düzenler veya biçimlendirme değiştiğinde bakım işi de yaratır.

4. Alan tabanlı otomatik veri çıkarmayı kullanmak

Alan tabanlı çıkarma, istediğiniz sonuçtan yola çıkar. Önce her şeyi çıkarmak yerine şu gibi alanlar tanımlarsınız:

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

Çıkarma süreci ardından bu yapıya karşılık gelen değerleri belirler.

Heyyel Data Extractor ile bir PDF’den belirli veriler nasıl çıkarılır

Heyyel Data Extractor, belgeyi işlemeden önce almak istediğiniz bilgileri tanımlamanıza olanak tanır. Süreç beş ana adıma indirgenebilir.

Adım 1 — Belgenizi yükleyin

İşlemek istediğiniz dosyayı yükleyerek başlayın. Heyyel Data Extractor PDF, PNG, JPG, WebP ve TIFF biçimlerini destekler; yani kaynak dijital bir PDF, tarama veya görsel olabilir.

Adım 2 — Bir belge türü seçin veya Özel / Boş ile başlayın

Aşağıdakiler dahil birkaç belge türüyle başlayabilirsiniz:

• Fatura
• Fiş
• Kimlik Kartı / Pasaport
• Kartvizit
• Sözleşme
• Banka Ekstresi
• Ham veri
• Özel / Boş

Hazır ayarlar önerilen alanlar sunar. Belge standart bir kategoriye uymuyorsa — veya sonuç üzerinde tam denetim istiyorsanız — Özel / Boş seçeneğini kullanın.

Adım 3 — Tam olarak neyi çıkarmak istediğinizi tanımlayın

Her alan, geri döndürülmesini istediğiniz bir bilgiyi tanımlar.

Kesin alan adları kullanın

Bir sözleşmede imza tarihi, yürürlük tarihi, yenileme tarihi ve bitiş tarihi varsa date adlı bir alan fazla belirsiz olabilir.

Bunun yerine contract_effective_date gibi kesin bir ad kullanın.

Alanın bağlama ihtiyacı olduğunda bir çıkarma ipucu ekleyin

Yalnızca alan adı yeterli değilse değerin ne anlama geldiğini açıklayan bir talimat ekleyin.

Vergiler ve indirimlerden sonra ödenecek nihai tutarı çıkar.

Veya bir tarih için:

Anlaşmanın yürürlüğe girdiği tarihi çıkar; imza tarihini değil.

Alanlar ayrıca zorunlu olarak işaretlenebilir. Heyyel Data Extractor, otomatik dil algılama veya gerektiğinde elle seçim ile 77 dili destekler.

Adım 4 — Çıkarmayı çalıştırın ve sonucu inceleyin

Alanlar yapılandırıldıktan sonra çıkarmayı çalıştırın. Çıktı, PDF içeriğini olduğu gibi yeniden üretmek yerine tanımladığınız yapıyı izler.

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

Çıkarılan değerler kaynak belgenin yanında incelenebilir; bu, bir PDF’de birkaç benzer değer olduğunda yardımcı olur.

Adım 5 — Verileri JSON veya CSV olarak dışa aktarın

Çıkarma tamamlandığında bilgiler yapılandırılmış bir biçimde dışa aktarılabilir.

PDF’den JSON’a

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

PDF’den CSV’ye

Bu, PDF’nin tamamını CSV’ye dönüştürmekten farklıdır; çünkü veri kümesine yalnızca çıkarma için seçilen alanlar girer.

Peki ya taranmış PDF’ler?

Her PDF seçilebilir metin içermez. Taranmış bir PDF yalnızca sayfa görüntüleri içerebilir; bu da ilgili bilgiler çıkarılmadan önce OCR gerektiği anlamına gelir.

OCR “Bu sayfada hangi metin var?” sorusunu yanıtlar. Veri çıkarma ise “Hangi değerler iş akışımın ihtiyaç duyduğu bilgiye karşılık geliyor?” sorusunu yanıtlar.

Ham veri mi, belirli alanlar mı: hangisini kullanmalısınız?

PDF’lerden veri çıkarırken sık karşılaşılan zorluklar

Farklı belge düzenleri

Aynı bilgi farklı belge düzenlerinde görünebilir. Bir tedarikçi sicil numarasını üst bilgide gösterirken bir diğeri bunu şirket bilgileri tablosuna yerleştirebilir.

Belirsiz değerler

Bir faturada fatura tarihi, vade tarihi ve ödeme tarihi bulunabilir. Bir sözleşmede imza tarihi, yürürlük tarihi ve bitiş tarihi bulunabilir. Zorluk, hangi değerin ihtiyaç duyduğunuz alanı temsil ettiğini belirlemektir.

Taranmış veya görüntü tabanlı belgeler

Taranmış PDF’ler makine tarafından okunabilir bir metin katmanı içermeyebilir; bu yüzden bilgileri yapılandırılmadan önce OCR gerekir.

Tablolar ve tekrarlanan bilgiler

Fatura kalemleri, banka işlemleri, ürünler ve diğer tekrarlanan kayıtlar, ilgisiz metin olarak döndürülmek yerine birbiriyle ilişkili kalmalıdır.

İşe özgü terminoloji

Bir belge aynı kavram için Müşteri Ref., bir diğeri Hesap Referansı, bir başkası Müşteri Numarası kullanabilir. Bu nedenle alanın anlamını tanımlamak, tek bir etiketle birebir eşleşmekten daha önemli olabilir.

Alan tabanlı PDF çıkarma ne zaman yararlıdır?

Hangi PDF çıkarma yöntemini seçmelisiniz?

İhtiyaç duyduğunuz çıktıyla başlayın. Nihai sonuç bilinen bir alan kümesi olacaksa yapılandırılmış alan çıkarma, genellikle belgenin tamamını dönüştürmekten daha uygundur.

Sık sorulan sorular