Rechnungen, Anträge, Verträge, Schadenmeldungen: Das meiste kommt als PDF. Die Informationen stecken darin, aber ein System kann sie erst nutzen, wenn jemand sie abgetippt hat. Die PDF-Datenextraktion übernimmt dieses Abtippen automatisch.
Was ist PDF-Datenextraktion?
PDF-Datenextraktion heißt: bestimmte Werte aus einem PDF lesen und als strukturierte Daten übergeben, etwa Rechnungsnummer, Betrag, Datum, Kundennummer oder IBAN. Jeder Wert bekommt einen Namen, damit Geschäftssoftware ihn direkt verarbeiten kann.
Den Text aus einem PDF zu kopieren, reicht nicht. Heraus kommt ein Textblock, in dem niemand weiß, welche Zahl der Betrag ist. Die Extraktion erkennt, was jeder Wert bedeutet. Mehr dazu in unserem Blogbeitrag zu strukturierten Daten.
Nicht jedes PDF ist gleich
| Digitales PDF | Gescanntes PDF | Foto oder Fax | |
|---|---|---|---|
| Entsteht durch | Software, etwa ein Rechnungsprogramm | Einen Scanner | Ein Smartphone oder Faxgerät |
| Text | Als Text gespeichert | Nur ein Bild | Nur ein Bild, oft schief oder unscharf |
| Erster Schritt | Textebene lesen | Texterkennung | Texterkennung mit Bildkorrektur |
In der Praxis kommen alle drei im selben Posteingang an. Eine gute Extraktion behandelt sie gleich, damit der Prozess dahinter nicht wissen muss, woher ein Dokument stammt.
Wie IDA Daten aus PDFs ausliest
IDA arbeitet in drei Schritten:
- Lesen: IDA erkennt Maschinenschrift mit einer Genauigkeit von über 99 % und Handschrift mit über 95 %, auch Tabellen und angekreuzte Felder.
- Sortieren: IDA erkennt die Dokumentart und weiß damit, welche Werte gesucht sind. Mehr dazu in unserem Blogbeitrag zur PDF-Klassifikation.
- Auslesen: IDA liest die Werte, die Ihr Prozess braucht, und gibt jedem einen Namen. Sie legen sie mit wenigen markierten Beispielen je Dokumentart fest. Mehr dazu in unserem Blogbeitrag zur Entity Extraction.
Deterministisch: erkannt, nicht geraten. Die Daten gehen als JSON an Ihr ERP, DMS oder Ihre Fachanwendung, bei Bedarf zusammen mit einem durchsuchbaren PDF für das Archiv.
Was das Auslesen schwierig macht
Schlechte Vorlagen
Blasse Scans, Faxe und schiefe Fotos führen zu Lesefehlern. Ist am Anfang eine Ziffer falsch, ist sie in jedem System danach falsch. Deshalb steht eine verlässliche Texterkennung am Anfang.
Viele Layouts
Jeder Lieferant gestaltet Rechnungen anders. Das Auslesen darf nicht von einer festen Position auf der Seite abhängen.
Tabellen über mehrere Seiten
Rechnungspositionen, Kontoauszüge und Listen laufen oft über einen Seitenumbruch. Sie müssen als eine Tabelle gelesen werden.
Handschrift
Viele Formulare werden von Hand ausgefüllt. Ohne Handschrifterkennung bleiben diese Werte Handarbeit.
Unsichere Werte
Kein Lesen ist perfekt. IDA gibt jedem Wert einen Konfidenzwert. Unter dem Schwellenwert, den Sie festlegen, prüft ein Mensch, und zwar nur diesen einen Wert.
Wo PDF-Datenextraktion zum Einsatz kommt
Rechnungen
Rechnungsnummer, Datum, Beträge und Lieferant gehen direkt in die Buchhaltung.
Identitätsprüfung
Banken und Versicherungen lesen Name, Geburtsdatum und Adresse aus Ausweisen und Antragsformularen.
Schadenmeldungen
Versicherungen übernehmen Versicherungsnummer, Schadendatum und Betrag aus der Schadenmeldung und leiten den Fall weiter.
Gesundheitswesen
Patientendaten und Befunde werden aus Berichten und Arztbriefen gelesen und in der richtigen Akte abgelegt.
Häufige Fragen
Kann ich den Text nicht einfach aus dem PDF kopieren?
Nur bei digitalen PDFs, und auch dann erhalten Sie ungeordneten Text. Die Extraktion liefert benannte Werte, die ein System direkt nutzen kann.
Funktioniert das auch mit gescannten PDFs?
Ja. IDA erkennt zuerst den Text auf dem Bild und liest danach die Werte aus.
Wie viele Beispiele braucht IDA?
Wenige markierte Beispiele je Dokumentart genügen.
In welchem Format bekomme ich die Daten?
Als JSON über eine Schnittstelle und bei Bedarf als durchsuchbares PDF mit den Daten als Metadaten. Mehr dazu in unserem Blogbeitrag zu PDF und JSON.
Mit Ihren Dokumenten ausprobieren
In einer Demo zeigen wir Ihnen, wie IDA aus Ihren PDFs die Werte liest, die Ihr Prozess braucht.