Tabelle su più pagine e campi sparsi mandano in crisi i convertitori PDF classici.
Estrazione di tabelle e campi da PDF e scansioni
Sviluppo componenti che recuperano la struttura dei documenti, oltre al semplice testo. Tabelle, etichette e valori diventano record collegati, con regole per celle unite, righe spezzate e campi mancanti, in un formato utilizzabile dai tuoi programmi.
Parliamo di questo servizio- >90%
- errori nelle tabelle individuati
- Multipagina
- tabelle ricostruite
- JSON · CSV · Excel
- output strutturato
Nei progetti di estrazione da PDF e ricerca documentale ho già lavorato su testo, tabelle e dati strutturati. Ho combinato riconoscimento OCR, pulizia e organizzazione in formati come JSON, CSV ed Excel, mantenendo il risultato collegato alla documentazione di origine.
Cosa sviluppo
per il tuo progetto.
Un elenco di parole non descrive una tabella. Per recuperare i dati occorre sapere quali elementi appartengono alla stessa riga, quali intestazioni definiscono le colonne e quali valori si riferiscono a un’intera sezione. Progetto l’estrazione distinguendo il contenuto testuale dalla sua struttura. Questa separazione è importante per listini, rapporti, schede e moduli, dove un numero riconosciuto correttamente può diventare errato se viene assegnato alla colonna o al soggetto sbagliato.
Il servizio è dedicato alla ricostruzione di tabelle e campi, anche quando il documento non è una fattura e l’output non è un foglio Excel. Possiamo produrre oggetti JSON, tabelle relazionali o dati destinati a un’API. Analizzo prima il layout: bordi visibili, colonne allineate, celle unite e sezioni ripetute richiedono trattamenti diversi. Per moduli e questionari chiarisco anche il legame fra etichetta, valore, unità e indicazione di selezione.
Righe, colonne e intestazioni
Ricostruisco la relazione fra celle e intestazioni e definisco come rappresentare tabelle con più livelli. Posso gestire la continuazione su pagine successive e la rimozione delle intestazioni ripetute, quando il layout consente di riconoscerle. I confini della tabella rimangono distinti da titoli, note e riepiloghi per evitare che finiscano fra i dati.
Campi e relazioni chiave valore
Individuo campi come codice, riferimento, data o descrizione associati alle rispettive etichette. Definiamo se un valore è singolo, ripetuto o facoltativo e come trattare etichette simili in punti diversi della pagina. Se vengono usati modelli per interpretare la struttura, verifico la forma dell’output e mantengo espliciti i campi non trovati.
Schema e provenienza del risultato
Organizzo record e tipi secondo il sistema destinatario, con riferimenti a file e pagina e, quando utili, alle aree lette. Le trasformazioni possono separare valore, unità e nota oppure conservare un livello intermedio più vicino al documento. Questo aiuta a distinguere una lettura errata da una regola di normalizzazione da correggere.
Dove può essere utile.
Le funzioni vengono definite in base ai contenuti, agli strumenti e al risultato che serve al tuo team.
Schede tecniche e cataloghi
Recupero di caratteristiche, codici e valori da tabelle con struttura variabile. Possiamo mantenere le unità accanto alle misure e definire un dizionario dei campi, senza presumere che etichette diverse abbiano sempre lo stesso significato o che prodotti simili siano già confrontabili.
Rapporti e riepiloghi multipagina
Estrazione di tabelle lunghe, con intestazioni ripetute e sezioni distribuite nel documento. La pipeline può distinguere righe di dettaglio e totali, mantenendo un riferimento alla sezione originaria. Questo consente di analizzare i dati senza perdere il contesto di lettura del rapporto.
Moduli e documentazione operativa
Organizzazione di campi etichettati e gruppi di informazioni in record. Il flusso può includere caselle di selezione se rientrano nel perimetro testato. Per dati sensibili o decisioni importanti definiamo un punto di revisione prima che il sistema destinatario utilizzi i valori estratti.
Il flusso di lavoro.
Ogni fase ha obiettivi e materiali verificabili, con un confronto diretto durante lo sviluppo.
Righe, colonne e relazioni fra i campi devono essere ricostruite e verificate insieme ai valori.
Fotografia illustrativa- 01
Schema e casi strutturali
Esaminiamo documenti con tabelle facili, celle unite, note e campi ripetuti. Concordiamo il significato di una riga e le relazioni da mantenere. Prepariamo esempi di output corretto anche per celle vuote e tabelle interrotte, perché sono proprio questi casi a rivelare ambiguità nello schema.
- 02
Analisi del layout e prima estrazione
Confronto strumenti di lettura digitale e riconoscimento documentale sui materiali disponibili. Costruisco una rappresentazione intermedia che separa testo, coordinate e relazioni strutturali quando necessario. Una prima valutazione permette di vedere se i limiti riguardano il riconoscimento dei caratteri o la ricostruzione di righe e colonne.
- 03
Regole di ricostruzione e normalizzazione
Aggiungo regole per continuazioni, intestazioni e tipi dei valori. Verifico che una cella vuota non faccia slittare tutte le colonne e che un valore unito non venga duplicato senza criterio. Le convenzioni di propagazione delle intestazioni vengono documentate e condivise con chi utilizzerà il dataset.
- 04
Test, esportazione e collegamento
Confronto i record con un riferimento verificato su documenti separati, poi provo l’output nell’applicazione finale. L’integrazione può essere batch o API, con errori documentati. La consegna comprende esempi per aggiungere nuovi documenti e indicazioni su quali modifiche di layout richiedano una nuova valutazione.
Come verifichiamo
che sia utile.
Verifico separatamente il testo delle celle e la struttura della tabella. Il confronto controlla numero di righe, colonne, collegamento alle intestazioni e corrispondenza dei campi. Un dato numerico letto bene ma associato alla riga sbagliata è un errore da rendere visibile. Posso fornire esempi delle differenze, così il test non si riduce a una percentuale poco comprensibile.
Layout irregolari, testi ruotati, tabelle senza separatori e immagini degradate possono richiedere una ricostruzione specifica o revisione. Le celle unite e le tabelle multipagina non vengono considerate automaticamente risolte da un motore OCR generico. Concordiamo le famiglie documentali supportate e il comportamento delle eccezioni, mantenendo traccia delle regole applicate ai risultati.
Da cosa partiamo.
Un primo campione ci permette di discutere fattibilità e priorità su elementi concreti. Per definire il lavoro sono utili:
- PDF o immagini con esempi di tabelle e campi rappresentativi.
- Schema JSON, Excel o database desiderato, anche come bozza.
- Definizione delle relazioni fra record, sezioni e documenti.
- Regole per celle unite, valori assenti e casi da revisionare.
Cosa ricevi.
- Schema dei record e convenzioni per celle e campi.
- Pipeline di lettura, analisi del layout e ricostruzione.
- Output JSON, CSV, Excel o interfaccia API concordati.
- Riferimenti di provenienza e riepilogo dei casi da verificare.
- Codice, configurazioni ed esempi di input e output.
Organizziamo lo sviluppo per milestone. Per ciascuna definiamo obiettivi, materiali e verifiche; eventuali licenze, hardware e servizi esterni sono chiariti nella proposta.
Prima di iniziare.
Alcune risposte su dati, funzionamento e integrazione di questo servizio.
In cosa differisce questo servizio da PDF a Excel?
Qui il problema principale è ricostruire la struttura: tabelle, relazioni e campi, anche per database e API. PDF a Excel è invece organizzato intorno a un foglio di lavoro finale e a un flusso completo di conversione. I due servizi possono far parte dello stesso progetto.
Si possono trattare tabelle senza bordi o su più pagine?
È possibile valutarle con un campione reale. Allineamento, ripetizione delle intestazioni e qualità del testo aiutano la ricostruzione, ma note e impaginazioni variabili possono richiedere regole specifiche. Definiamo esempi di unione e separazione corretti prima di estendere il lavoro al lotto completo.
Il modello può riempire i campi che non trova?
Il comportamento previsto è segnalare un valore assente o incerto, non inventarlo. Eventuali valori derivati, come un totale calcolato da altre celle, vengono definiti come trasformazioni separate. In questo modo è possibile distinguere ciò che compare nel documento da ciò che il programma ha elaborato.
Progetti collegati.
Casi del mio lavoro per approfondire il problema affrontato, lo sviluppo e i risultati.
Rilevamento e correzione dei difetti nelle tabelle PDF
Una pipeline interamente open source per individuare e correggere difetti nelle tabelle di documenti PDF: testo sovrapposto, contenuti fuori dalle celle, linee irregolari e caratteri troppo grandi. Ho combinato Computer Vision, OCR e confronto di embedding, con elaborazione di centinaia di file e un’interfaccia per la revisione manuale.
Leggi il progetto
Compilazione automatica di documenti per bandi e gare
Un backend per compilare documenti Word e PDF destinati a bandi di gara e appalti, partendo dal modello da completare e dai dati aziendali in JSON. Ho sviluppato l’orchestrazione degli agenti con modelli Mistral, l’archiviazione in MariaDB e il collegamento al frontend dell’azienda. Il sistema è operativo su infrastruttura Azure in Europa e viene utilizzato ogni giorno per decine di documenti.
Leggi il progettoEstrazione dati da PDF e fatture
Una pipeline che legge fatture e documenti tecnici, riconosce i campi utili e li trasforma in file Excel strutturati.
Leggi il progettoParliamo del tuo
progetto.
Descrivimi cosa vuoi ottenere e quali dati hai a disposizione. La prima call di 30 minuti è gratuita.