pdf2Data

Introducción

iText 7 pdf2Data

pdf2Data le permite automatizar el procesamiento de PDF y extraer fácilmente datos de un volumen de documentos PDF en el mismo formato. Ofrece un marco para reconocer datos dentro de los documentos PDF, según las reglas de selección que usted puede definir en una plantilla.

pdf2Data es uno de nuestros complementos con licencia comercial para iText 7; necesitará una licencia comercial para iText 7 Core y pdf2Data para poder utilizar este producto con fines comerciales o en una fuente cerrada. Solicite una cotización para obtener más información sobre licencias y precios para su proyecto.

How iText pdf2Data works

Many PDF documents businesses need to process, such as registration forms, invoices etc. follow a common structure. If we take the example of an invoice document, addresses, purchase order numbers and similar document elements tend to be located in one place, and only the content such as item descriptions, quantities and cost of items change from invoice to invoice.

iText pdf2Data offers an easy way to extract data from such PDF documents by defining areas and rules in a template which correspond to the content you want to extract. The template can then be visually validated with other documents to confirm data is recognized correctly, before being parsed by the pdf2Data SDK to process all subsequent documents matching that template.

Unlike AI-based alternatives, you don’t need hundreds of samples and intensive supervision to train the recognition process. The content recognition is controlled by the template you configure, meaning no training is required before you can begin extracting data. You only need one example document to enable data extraction from all subsequent documents.

AI recognition has other disadvantages too. Any changes to the required output (such as adding a new field) will require models to be retrained, and multiple language support is minimal at best. Documents using the same layout but containing content in different languages can give wildly inconsistent results.

iText pdf2Data on the other hand suffers from none of these drawbacks. Making modifications to templates is quick and easy, and it offers excellent language support.

Using the pdf2Data template creator

By using the intuitive browser-based pdf2Data template creator, it’s easy to create a template for data extraction. Simply create a template PDF based on a sample document, by defining selectors for areas of interest. Selectors are configurable rules to detect different types of content for extraction.

Many selectors are available to define, including Date, Time, Image, Barcode, Table, Price etc. enabling pdf2Data to intelligently recognize and extract data and other content. The selectors can be configured to detect:

  • page range and the position on the page
  • specific font styles, font color, and text patterns
  • fixed keywords next to the data
  • automatic recognition of table structures

Defining selectors in the pdf2Data template creator

The pdf2Data template creator was designed to allow non-developers such as business users or functional analysts to define and modify templates as required, enabling more collaborative workflows.

Want to try it out? We have an online demo of pdf2Data to test with an example document, or one you upload yourself.

The recognition process is based on the following steps:

Step 1. Upload a sample PDF document (this will become our template).
Step 2. Select data in the document you would like to extract and define relevant extraction rules (selectors) for the correct data extraction.
Step 3. Upload any other PDF document based on the same template and confirm your data was recognized correctly.
Step 4. Start using the template in the pdf2Data server-side component. You can integrate it into your document workflow as a Java or .NET library, or as a command-line application, enabling you to process potentially millions of documents with ease.

Using the pdf2Data SDK to extract data

Below you can see an example of using the pdf2Data SDK to parse a pre-defined template. After loading the license file required to enable pdf2Data to work, you can parse a document against your template and extract the data with just a couple of lines of code.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
// Make sure to load license file before invoking any code
LicenseKey.loadLicenseFile(pathToLicenseFile);
 
// Parse template into an object that will be used later on
Template template = Pdf2DataExtractor.parseTemplateFromPDF(pathToPdfTemplate);
 
// Create an instance of Pdf2DataExtractor for the parsed template
Pdf2DataExtractor extractor = new Pdf2DataExtractor(template);
 
// Feed file to be parsed against the template. Can be called multiple times for different files
ParsingResult result = extractor.recognize(pathToFileToParse);
 
// Save result to XML or explore the ParsingResult object to fetch information programmatically
result.saveToXML(pathToOutXmlFile);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
// Make sure to load license file before invoking any code
LicenseKey.LoadLicenseFile(pathToLicenseFile);
 
// Parse template into an object that will be used later on
Template template = Pdf2DataExtractor.ParseTemplateFromPDF(pathToPdfTemplate);
 
// Create an instance of Pdf2DataExtractor for the parsed template
Pdf2DataExtractor extractor = new Pdf2DataExtractor(template);
 
// Feed file to be parsed against the template. Can be called multiple times for different files
ParsingResult result = extractor.Recognize(pathToFileToParse);
 
// Save result to XML or explore the ParsingResult object to fetch information programmatically
result.SaveToXML(pathToOutXmlFile);

Data is extracted in XML format, such as the example below:

<?xml version="1.0" encoding="UTF-8"?>
<elements>
  <data name="DATE">
    <text x="61.4" y="519.83" width="38.56" height="8.0" page="1">08/12/2016</text>
    <text x="96.28" y="477.57" width="38.56" height="8.0" page="2">16/01/2017</text>
  </data>
  <data name="END_USER_ADDRESS">
    <text x="102.25" y="612.39" width="98.84" height="40.0" page="1">Angela Merkel
To the att. of Angela Merkel
059-X025 KucheMacherStraße
71060 Sandelfängen Germany</text>
  </data>
  <data name="FAX">
    <text x="486.04" y="727.53" width="58.16" height="9.0" page="1">+32 92 70 33 75</text>
  </data>
</elements>

 

Resources

Here you will find the needed resources to install, configure and use the iText pdf2Data components. If you’re looking for a demonstration of how iText pdf2Data works, make sure to check out our online demo where you can test it with an example document, or one you upload yourself.

Beneficios

¿Por qué usar iText 7 pdf2Data?

Los datos son un producto básico importante, y puede tener más de lo que cree dentro de sus documentos PDF. Por supuesto, la recopilación de estos datos de forma manual le tomaría mucho tiempo y aumentaría el riesgo de errores de entrada y problemas de seguridad. Con pdf2Data puede automatizar el proceso de extracción de datos de forma segura. Continúe leyendo para conocer más beneficios de pdf2Data. 

 

pdf2Data icon svg
Extracción automática de datos de facturas y documentos en PDF

Extrae y procesa datos de una gran cantidad de PDF al definir la información que es importante para usted en una plantilla y sacarla automáticamente con programación en Java y .NET. 

pdf2Data icon svg
Definición de las partes de información específicas que quiere extraer

Defina rápidamente la información que desea extraer en una plantilla con el editor de plantillas pdf2Data. Como, por ejemplo, el campo de dirección que siempre está en la esquina superior derecha de sus facturas en PDF.

pdf2Data icon svg
Integración en sus procesos de documentos existentes

pdf2Data utiliza estándares abiertos para facilitar la integración, por lo que la integración a los flujos de trabajo existentes se vuelve fácil y rápida. Incluye SDK para Java y .NET, así como una interfaz de línea de comando.

Características clave

Capacidades esenciales de iText 7 pdf2data

pdf2Data funciona al definir las áreas, fuentes, patrones o tablas de interés en una plantilla que se utiliza para todos los archivos PDF creados en el mismo formato, como una factura o un documento de entrada. A continuación, puede definir las áreas de interés con los selectores. Cada selector utiliza una forma diferente de identificar la información que es importante y puede usarse en conjunto o por sí solo para satisfacer sus necesidades. 

iText
Extraiga datos de documentos PDF

Aproveche la extracción de contenido de iText 7 Core para un proceso de reconocimiento de texto e imágenes de alta fidelidad.

iText
Configuración de extracción intuitiva

Este complemento tiene una funcionalidad integral lista para usar, con la flexibilidad para ampliar y personalizar. Enfoque en la fácil integración y los estándares abiertos.

iText
Use plantillas para agilizar la extracción

Defina áreas de interés y reglas de selección para obtener exactamente el contenido que necesita.

iText
Integración con su flujo de trabajo de datos o PDF

Salida de datos en un formato estructurado y reutilizable para su posterior procesamiento, con acceso a las coordenadas de página del contenido extraído.

iText DITO, a data-driven template-based PDF generator

Now you’ve got data extraction through templating done and dusted, are you interested in a template-based solution for PDF creation from data?

Imagen
iText DITO invoice template
Contacto

¿Aún tiene preguntas? 

Estamos encantados de responder a sus preguntas. Comuníquese con nosotros y le responderemos a la brevedad.

Contáctenos
Manténgase actualizado

Únase a más de 11,000 suscriptores y conviértase en un experto en iText PDF al mantenerse al día con nuestros nuevos productos, actualizaciones, consejos, soluciones técnicas y eventos.

Suscríbase ahora