Что такое извлечение структурированных данных?
Извлечение структурированных данных — это чтение документа и возврат его содержимого в виде упорядоченных данных: именованных полей, таких как даты, суммы и компании, либо строк и столбцов вместо сплошного текста. Результат можно передать в электронную таблицу, базу данных или другую программу. Его применяют для счетов, выписок, договоров и форм, которые иначе пришлось бы набирать вручную.
Разные подходы
Извлечение по правилам ищет таблицы и позиции на странице и хорошо работает, когда документы имеют одинаковую вёрстку. Извлечение на основе языка понимает смысл текста и находит людей, компании, даты и суммы, где бы они ни стояли. Обоим нужен настоящий текст. Скан — это всего лишь картинка, поэтому сначала требуется распознавание текста (OCR), которое платформа может выполнить за вас. Ни один метод не идеален, поэтому быстрая проверка — часть работы.
Что предлагает AuraDoc
«Извлечь таблицы из PDF» находит таблицы в PDF и сохраняет их в CSV, а «PDF в Excel» создаёт рабочую книгу. «PDF в XML» экспортирует текст каждой страницы в структурированный файл по страницам. «Извлечь данные из PDF» с помощью ИИ платформы находит людей, компании, даты, суммы и другие ключевые факты и возвращает их в файле JSON. У каждого инструмента своя задача, поэтому выбирайте исходя из того, как вы будете использовать данные.
Проверка результата
Всегда сверяйте несколько значений с оригиналом: сдвинутая десятичная запятая или объединённая ячейка способны изменить итог. Таблицам нужны чёткие столбцы или линии, а таблица, идущая через несколько страниц, может прийти частями. Если данные конфиденциальны, подумайте, кто их увидит и как долго они будут храниться. При обработке множества похожих документов сначала проверьте метод на небольшой партии, а затем доверьте ему остальное.
Инструменты, которые используют этот термин
Руководства, где он применяется
Частые вопросы
- Чем OCR отличается от извлечения данных?
- OCR превращает изображение текста в настоящий текст. Извлечение данных берёт настоящий текст и упорядочивает его в поля или таблицы. Для сканов обычно нужны оба шага, именно в таком порядке.
- Какой инструмент выбрать для таблицы?
- «Извлечь таблицы из PDF» возвращает CSV, а «PDF в Excel» — рабочую книгу. Выберите тот, что подходит программе, в которой вы будете её открывать.
- Что возвращает извлечение с помощью ИИ?
- Файл JSON с людьми, компаниями, датами, суммами и другими ключевыми фактами, найденными в тексте. Для сканированных страниц сначала нужно выполнить OCR.