Extraktion von PDF-Daten für das Datenmapping

Wie werden PDF-Daten extrahiert?

Wenn Sie ein PDF-Beispieldokument laden, um eine Vorlage zu erstellen und Datenextraktionsregeln zu definieren, wird das PDF-Dokument neben einem Schemafenster angezeigt. Im Schemafenster sehen Sie eine Baumstruktur, in der dargestellt ist, wie die Daten extrahiert werden. Der MapForce PDF Extractor enthält einen leistungsstarken Prozessor, der automatisch gemeinsame Dokumentelemente identifiziert und versucht deren Struktur zu erkennen.

So erkennt das Tool etwa im Dokument vorhandene Tabellen, die Sie dann auf Wunsch automatisch extrahieren können. Ein Teilen-Operator im Schema-Fenster hilft Ihnen dabei, die Tabelle korrekt in separate Zeilen zu unterteilen. Dabei sucht der Prozessor nach Linien oder Rändern, um eine Teilung zu erstellen oder teilt Text z.B. auf Basis eines festgelegten Abstands. Die Vorschau davon können Sie im PDF-Ansichtsfenster überprüfen. Gleichzeitig werden auch Spalten und Überschriftstext erfasst. Wenn Sie in der Schema-Struktur auf ein Objekt klicken, werden die entsprechende Struktur und die in der PDF-Dokumentansicht angewendeten Datenerfassungsregeln hervorgehoben.

In großen PDF-Dokumenten mit zahlreichen Tabellen kann es hilfreich sein, nach Text im Dokument (wie z.B. einer Überschrift) zu suchen und Regeln für die Verarbeitung der Daten relativ zu diesem Text zu definieren. So könnten Sie z.B. beim Erstellen einer Vorlage zur Extraktion von Daten aus Jahresfinanzberichten nach dem Text "Expenditures" (Ausgaben) suchen und die auf diesen Text folgende Zahlentabelle entsprechend verarbeiten. Detaillierte Suchoptionen wie die Berücksichtigung der Groß-/Kleinschreibung, Formatfilterung (Schriftart, Schriftbreite, usw.) und Suche nach ganzen Wörtern oder Wortteilen erlauben eine präzise Ausrichtung.

Nach Extraktion der Tabellendaten können Sie die Extraktionsregeln ganz nach Wunsch anpassen, um einige Fragmente zu exkludieren, Ankerzuweisungen anzupassen, Tabellenränder zu definieren, usw. Dies geschieht mit Hilfe visueller Tools und hilfreicher Pull-Down-Menüs. Die Ergebnisse der Datenextraktion können Sie in der Ausgabestruktur anzeigen und auf ihre Korrektheit überprüfen.

Weitere Dokumentelemente können manuell erfasst und zu Ihrer Vorlage hinzugefügt werden. Um manuell Regeln für die Datenextraktion zu definieren, wählen Sie einfach einen zu extrahierenden Bereich im PDF-Dokument aus, indem Sie ein Rechteck aufziehen. Wählen Sie anschließend den Befehl "Texterfassung" aus dem Kontextmenü aus. PDF Extractor fügt den erfassten Text als Element zur Dokumentstruktur hinzu und sie können dieses mit der Maus an die gewünschte Stelle in der Struktur ziehen.

Auf diese Weise erstellt der MapForce PDF Extractor, während Sie am Dokument arbeiten, im Ausgabefenster anhand der Beispieldaten aus dem PDF-Arbeitsdokument ein XML-Dokument, in dem die Struktur Ihrer PDF-Vorlage dargestellt ist. Dies hilft Ihnen dabei, die Ergebnisse der Extraktion, die anschließend als Vorlage in MapForce verwendet werden können, zu verstehen und zu perfektionieren.