Extraer información de PDF
Contratos que hay que registrar, facturas que hay que totalizar, cientos de notificaciones donde buscar una cláusula: el contenido está en PDF, pero para analizarlo hace falta una tabla.
Cómo lo haces probablemente hoy
Abrir un PDF, buscar el importe, copiar, ir a Excel, pegar… Dos minutos por archivo, tres horas para cien, y por el camino se descolocan filas.
Basta con decir esto
Lee los PDF de la carpeta "Contratos" y extrae cliente, proveedor, importe y fecha de firma a un Excel.
O más concretamente:
Extrae número de factura, fecha de emisión, importe e IVA de estas facturas en PDF, ordenado por fecha de emisión.
Qué hará
- Probar con un archivo: te enseña los campos y los valores encontrados para que confirmes
- Procesar el lote con el mismo conjunto de campos
- Marcar lo dudoso: lo que no pueda leer queda vacío y te dice en qué archivo
Qué obtienes
- Una tabla, una fila por archivo
- El nombre del archivo en la primera columna, para volver al original
- Las filas no leídas quedan vacías y se listan aparte: no se inventa ninguna cifra
- También avisa de qué archivos eran escaneos y pueden ser menos fiables
Otras cosas que puedes pedir
- "Cita los párrafos exactos que mencionan 'penalización' en cada contrato"
- "Agrupa por empresa y totaliza el valor contratado de cada una"
- "Lista aparte los que tienen el importe y la fecha incoherentes"
PDF digital frente a escaneo
Un PDF digital (exportado de Word o de un sistema) ya contiene texto, así que la extracción es precisa. Un PDF de imagen (fotografiado o fotocopiado) necesita reconocimiento de texto antes; la letra manuscrita y lo tapado por un sello darán errores. En ese caso, empieza con un lote pequeño y revisa unas muestras antes de lanzarlo todo.
Qué no puede hacer
- La letra manuscrita y lo tapado por sellos se leerán mal
- Los PDF a varias columnas o con tablas anidadas pueden necesitar que revises algunas filas
- Los PDF cifrados o con contraseña hay que desbloquearlos antes
- No toma decisiones por ti: si algo se extrae mal, la responsabilidad sigue siendo tuya; revisa muestras en archivos importantes