pdf2Data

はじめに

PDF処理向けiText 7 pdf2Data

pdf2Dataは、JavaおよびC#(.NET)用のiText 7アドオンであり、PDFドキュメントからデータを簡単に抽出することができます。

テンプレートで定義する選択ルールに基づいて、PDF文書内にあるデータを認識するフレームワークを提供します。

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.

どのように機能するのか

 オンラインデモで以下の例を試してみてください:

データ抽出

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);

テンプレート作成

まず、関心領域と選択のルールを使って、  選択 を定義するによって、サンプルドキュメントに基づいてテンプレートPDFの を作成を行います。これは、  webアプリケーションとして提供される、直感的なpdf2Dataテンプレートエディターを通して実行することができます:

pdf2Data例

メリット

iText 7 pdf2Dataを使う理由

データは重要な商品であり、認識できる以上のデータがPDF文書に隠されています。

当然のことながら、このデータを手動で収集するのは時間がかかり、入力ミスのリスクだけでなく、  セキュリティ上の問題も高くなります。

pdf2Dataを使用すると、 データを安全な方法で抽出するプロセスを自動化できます。

 

pdf2Data icon svg
PDF版請求書や文書からのデータ抽出を自動化

テンプレートで重要な情報を定義し、Javaや.NETでのプログラミングを用いて自動的に取り出すことで、 大量のPDFから データを抽出して処理します。 

pdf2Data icon svg
抽出したいデータ部分を具体的に定義する

pdf2Dataテンプレートエディタを用いて、 テンプレートに抽出したい情報をすばやく定義します(PDF版 請求書の右上端に常にある住所のフィールドなど)。

pdf2Data icon svg
既存の文書処理への統合

pdf2Dataはオープン標準を使用して統合を容易にし、これにより、既存ワークフローへの統合を 容易かつ迅速に行います。これにはJava用SDKと.NET用SDK、ならびにコマンドラインインターフェイスが含まれています。

主な特徴

iText 7 pdf2dataのコア機能

pdf2Dataは、請求書やその他の商業ドキュメントなど、同じ形式で作成されたPDF文書のテンプレート上の領域、フォント、パターン、利息表を定義することで動作します。

その後、セレクターを使って利息の領域を定義できます。

各セレクターはさまざまな方法を使用して重要な情報を識別し、ニーズに合わせて単独または組み合わせて使用できます。 

iText
PDF文書からデータを抽出

iText 7 Coreの コンテンツ抽出機能を活用すると、テキストや画像に対する忠実度の高い認識プロセスを行うことができます。

iText
直感的な抽出設定

このアドオンは拡張とカスタマイズできる柔軟性を持つ総合的でオリジナルな機能を備えています。統合のしやすさとオープンスタンダードに重きを置いています。

iText
テンプレートを使用して抽出を合理化

目的の領域と選択ルールを定義すれば、必要なコンテンツを正確に取得できます。

iText
PDFやデータのワークフローに統合

抽出したコンテンツのページ座標にアクセスして、さらなる処理の為にデータを構造化され、再利用ができる形式で出力します。

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?

画像
iText DITO invoice template
お問い合わせ

それでも問題が解決しませんか? 

お寄せいただいたご質問には、喜んでお答えいたします。当社へご連絡ください。内容を確認次第、追ってご連絡いたします。

問い合わせる
常に最新情報を得る

11,000人以上の購読者に加わって、iTextの新しい製品、アップデート、ヒント、記述的な解決策や出来事に関する最新情報を得ることでiText PDF専門家になりましょう。

今すぐ購読