Extraer datos PDF para la asignación de datos

Cómo extraer datos PDF

Al cargar un PDF de muestra para crear una plantilla y definir reglas de extracción de datos, el PDF se muestra junto a un panel de esquema. El panel Esquema muestra una estructura jerárquica que representa cómo se extraerán los datos. MapForce PDF Extractor incluye un potente motor de sugerencias que identifica automáticamente los elementos comunes de los documentos e intenta detectar su estructura.

Por ejemplo, el motor de sugerencias identificará las tablas que existen en el documento que luego se pueden extraer automáticamente si lo desea. Hay un filtro de división en el panel Esquema que le ayuda a definir cómo dividir correctamente la tabla en filas separadas. El motor de sugerencias puede buscar bordes o líneas para crear la división allí o dividir las partes basado en una distancia fija. También puede obtener una vista previa de la división en el panel Vista PDF. A la vez, el motor de sugerencias puede capturar columnas y filas de encabezado. Al hacer clic en cualquier objeto en la estructura jerárquica se resaltan las reglas de captura de la estructura y de los datos tal y como se aplican a la vista del documento PDF.

En documentos PDF grandes con un gran número de tablas, puede ser útil buscar texto (como un título) en el documento y definir reglas para procesar los datos relativos a ese texto. Por ejemplo, al crear una plantilla para extraer datos de informes financieros anuales, podría buscar «Gastos» y procesar en consecuencia la tabla de cifras que sigue a ese texto. Las opciones de búsqueda integrales, como la distinción entre mayúsculas y minúsculas, el filtrado de formatos (fuente, peso de la fuente, etc.) y las búsquedas de palabras enteras o parciales, permiten una orientación precisa.

Tras haber extraído los datos de la tabla puede ajustar las reglas de extracción según sus necesidades. Es decir, puede excluir algunos fragmentos, ajustar las asignaciones de anclaje, definir los límites de tabla, etc. Para ello se pueden utilizar herramientas visuales y menús desplegables muy útiles. Puede obtener una vista previa de los resultados de la extracción de datos en la estructura de salida para comprobar su precisión.

El resto de elementos del documento se pueden capturar y agregar a la plantilla manualmente. Para definir reglas de extracción de datos manualmente, basta con seleccionar un área del PDF que quiere extraer capturándola en un rectángulo. Después, seleccione ‘Captura de texto’ o haga clic con el botón derecho en el menú contextual. PDF Extractor agrega la captura como un elemento en la estructura del documento y simplemente puede arrastrar y soltarlo en la posición deseada de la estructura.

Mientras esté trabajando MapForce PDF Extractor crea, en la ventana Resultados, un documento XML que representa la estructura de su plantilla PDF que incluye datos de muestra del documento PDF de trabajo. Esto le permite entender y perfeccionar los resultados de la extracción que luego se convertirán en una plantilla que puede utilizar en MapForce.