Návod
Jak extrahovat produktová data z PDF
PDF od dodavatelů obsahují specifikace, které váš katalog potřebuje, ale ne v podobě, kterou lze importovat. Zde jsou čtyři způsoby, jak je převést na strukturovaná produktová data, a jak mezi nimi vybírat.
Extrakce produktových dat znamená převzít hodnoty vytištěné v dokumentu — čísla modelů, rozměry, materiály, kapacity, jmenovité hodnoty, varování — a přeměnit je na pole, se kterými systém umí pracovat. U hrstky výrobků je ruční kopírování v pořádku. U katalogu dodavatele se stovkami SKU a jiným rozvržením PDF od každého výrobce rozhoduje zvolená metoda o tom, jak dlouho potrvá zavedení a kolik chyb se dostane do vašeho obchodu.
Níže porovnáváme čtyři běžné přístupy a poté uvádíme kontroly, na kterých záleží bez ohledu na zvolenou metodu.
Začněte výstupem: definujte své produktové schéma
Než cokoli extrahujete, rozhodněte, která pole potřebujete a v jaké podobě. Schéma pro malý spotřebič může zahrnovat model, značku, EAN, šířku/výšku/hloubku v milimetrech, hmotnost v kilogramech, výkon ve wattech, napětí, materiál, barvu a varování. Předem definované jednotky a povolené hodnoty zajišťují, že extrahovaná data budou mezi dodavateli srovnatelná.
Pokud prodáváte přes více kanálů, přiřaďte každé pole k názvům atributů, které tyto kanály používají (například volby produktu v Shopify nebo atributy ve WooCommerce), aby bylo možné výstup extrakce použít bez dalšího kola přeformátování.
Metoda 1: Ruční kopírování a vkládání
Někdo otevře PDF a hodnoty přepisuje nebo vkládá do tabulky či produktového formuláře. Nevyžaduje žádné nástroje a zvládne jakékoli rozvržení, proto od ní většina týmů začíná.
S rostoucím objemem rostou i náklady: je pomalá, pozornost se vytrácí a přepisovací chyby — prohozená číslice v čísle modelu, hodnota z nesprávného sloupce — se později obtížně odhalují. Ruční zadávání funguje u malých katalogů nebo jako kontrolní krok nad automatizovanou metodou.
Metoda 2: Nástroje pro extrakci tabulek z PDF
Nástroje pro extrakci tabulek (včetně open-source řešení a exportních funkcí PDF editorů) rozpoznají tabulky v digitálních PDF a exportují je do CSV nebo Excelu. Jsou rychlé, pokud jsou data skutečně v přehledné tabulce.
Potíže jim dělají hodnoty zapsané v plynulém textu, sloučené buňky, tabulky na více stranách a naskenované dokumenty a vracejí surové tabulky, nikoli pojmenovaná pole — sloupce musíte stále namapovat na své schéma a vyčistit hlavičky, jednotky a poznámky pod čarou.
Metoda 3: Šablonové neboli zónové parsování
Šablonové parsery umožňují definovat pro dané rozvržení, kde na stránce se které pole nachází. Po nastavení se všechny dokumenty přesně v tomto rozvržení extrahují konzistentně, což vyhovuje velkým objemům stejných dokumentů, například faktur od jednoho odesílatele.
Produktové listy dodavatelů jsou však málokdy tak jednotné. Každý výrobce — a často každá produktová řada — potřebuje vlastní šablonu a šablony se rozbijí, když dodavatel změní design. U katalogů z mnoha zdrojů údržba rychle převáží nad přínosem.
Metoda 4: AI extrakce
AI extrakce využívá jazykové a vizuální modely, aby dokument četla tak, jak by to dělal člověk: najde číslo modelu, ať je v záhlaví, v tabulce nebo ve větě, a vrátí pole vašeho schématu s hodnotami a jednotkami. Protože nezávisí na pevných pozicích, může jedno nastavení zvládnout mnoho rozvržení dodavatelů, včetně naskenovaných stran.
Protiváhou je, že výstup AI je třeba zkontrolovat. Dobré nástroje u extrahovaných hodnot ukazují indikaci spolehlivosti a zdrojový důkaz, aby se kontrolující mohli soustředit na nejisté hodnoty, a pokud dokument údaj neuvádí, pole raději nechají prázdné nebo označené, než aby hádaly. Extrakce produktových dat z PDF v Doc2Shelf hodnotí každou extrakci z hlediska spolehlivosti a úplnosti a zaznamenává extrahovaná fakta s číslem stránky a krátkou citací; zkontrolovaný záznam pak může sloužit k vytváření nabídek a návrhů dokumentů o shodě.
Jak vybrat metodu
Praktické pravidlo:
- Do přibližně 20 výrobků nebo jednorázové přidání: ruční zadávání s jasným schématem.
- Přehledné digitální tabulky, jeden nebo dva dodavatelé: nástroj pro extrakci tabulek a následné vyčištění.
- Velké objemy jednoho stejného rozvržení: šablonové parsování.
- Mnoho dodavatelů, různá rozvržení nebo naskenovaná PDF: AI extrakce s kontrolou člověkem.
Kontroly, které udrží extrahovaná data přesná
Ať použijete jakoukoli metodu, většinu chyb způsobují stejné problémy. Zařaďte tyto kontroly do kroku revize:
- Přiřazení k modelu: pokud list pokrývá několik modelů, ověřte, že každá hodnota patří do správného sloupce modelu.
- Jednotky: normalizujte jednotky (mm vs cm, W vs kW) a u každé číselné hodnoty ponechte jednotku.
- Poznámky pod čarou a podmínky: hodnoty, jako je kapacita nebo doba provozu, často závisejí na uvedených zkušebních podmínkách.
- Identifikátory: ověřte kontrolní číslice EAN/GTIN a čísla modelů znak po znaku.
- Chybějící nebo rozporné hodnoty: zeptejte se dodavatele, místo abyste odvozovali hodnotu, která v dokumentu není.
- Dohledatelnost: ponechte zdrojové PDF propojené se záznamem, aby kdokoli mohl hodnotu později znovu ověřit.
Metody extrakce vedle sebe
Čtyři výše uvedené metody se méně liší tím, co dokážou přečíst, než tím, na čem závisí jejich přesnost a kolik nastavení vyžadují. Do srovnání patří i OCR, ale spíše jako vrstva než jako metoda: převede naskenovanou stránku na text, ale z tohoto textu musí pole stále vytvořit některá z ostatních metod.
Přesnost není nikdy vlastností samotné metody. Závisí na dokumentech, které do ní vložíte, na tom, jak jasně schéma definuje každé pole, a na důslednosti kontrolního kroku — proto stojí za to ji měřit na vzorku vlastních PDF od dodavatelů, místo abyste spoléhali na zveřejněná čísla.
| Metoda | Přesnost závisí na | Náročnost nastavení | Výstup | Nejvhodnější pro |
|---|---|---|---|---|
| Ruční zadávání | Pozornosti kontrolujícího a jasném schématu | Žádná | Pojmenovaná pole tak, jak byla napsána | Malé katalogy; jednorázová doplnění; kontrolní krok |
| Kopírování a vkládání nebo export PDF do Excelu | Skutečné textové vrstvě a přehledných tabulkách bez sloučených buněk | Nízká | Surový text nebo tabulky k ručnímu mapování | Přehledné digitální tabulky od jednoho či dvou dodavatelů |
| Šablonové nebo zónové parsování | Zachování totožného rozvržení u každého dokumentu | Vysoká pro každé rozvržení, znovu při jeho změně | Pojmenovaná pole | Velké objemy dokumentů s jedním pevným rozvržením |
| OCR | Rozlišení skenu, kontrastu, naklonění, písmu a jazyce | Nízká až střední | Pouze text | Zpřístupnění naskenovaných stran pro jinou metodu |
| Extrakce pomocí LLM | Srozumitelnosti schématu, kvalitě dokumentů a důslednosti kontroly | Nízká pro každé rozvržení; vyžaduje kontrolní postup | Pojmenovaná pole s hodnotami a jednotkami | Mnoho dodavatelů, různá rozvržení, směs textu a tabulek |
Práce se specifikačními a víceverzními tabulkami
Většina chyb extrakce u technických listů vzniká v tabulkách a většina z nich tam, kde jedna tabulka popisuje několik modelů. Tabulka, která čtenáři připadá jasná, skrývá strukturu, v níž se parser nebo unavený člověk snadno splete: jednotky uvedené jen v záhlaví, buňky sloučené přes více modelů, značky poznámek pod čarou připojené k číslům a tabulky pokračující na další straně.
Než se jakákoli hodnota zkopíruje do záznamu, projděte každou specifikační tabulku v pevném pořadí:
- Určete orientaci: jsou modely nebo varianty ve sloupcích, nebo v řádcích? Poznamenejte si, kolik jich je, abyste na konci mohli zkontrolovat počet záznamů.
- Přečtěte všechny řádky záhlaví včetně jednotek v závorkách a jednotku přenášejte do každé buňky v daném sloupci či řádku.
- Rozdělte sloučené buňky: hodnota zasahující přes několik sloupců modelů platí pro každý z těchto modelů, nejen pro první.
- Spojte tabulky rozdělené na více stran; ověřte, že se opakované záhlaví nečte jako datový řádek a že se na zlomu stránky neztratí žádný řádek.
- Oddělte značky poznámek pod čarou od čísel — „1.1¹“ je 1.1 s poznámkou 1, nikoli 1.11 — a text poznámky uložte jako podmínku k dané hodnotě.
- Rozlišujte prázdné pole, „—“, „n/a“ a „volitelné“: prázdné pole znamená neznámé, pomlčka často nepoužitelné a ani jedno se nesmí změnit na nulu.
- Hledejte hodnoty mimo tabulku, například „všechny modely: 230 V“ pod ní, a použijte je u všech modelů, kterých se týkají.
- Rozdělte tabulku na jeden záznam pro každý model či variantu a potvrďte, že počet záznamů odpovídá kroku 1.
Naskenovaná PDF a kvalita OCR
Nejdřív zkontrolujte, zda PDF obsahuje textovou vrstvu: pokud lze text označit nebo v něm vyhledávat, je digitální; pokud ne, jde o obrázek a před jakýmkoli nástrojem pro tabulky potřebuje OCR. Když dodavatel pošle sken, požádejte o digitální originál — odpadne tím celá kategorie chyb. Pokud musíte skenovat sami, často se doporučuje rozlišení kolem 300 dpi pro text a rovné, kontrastní stránky jsou stejně důležité jako rozlišení.
Chyby OCR jsou nebezpečné, protože vytvářejí věrohodný výstup. Znaky, které se zaměňují, jsou předvídatelné, takže mohou být předvídatelné i kontroly:
| Chyba OCR | Příklad | Jak ji odhalit |
|---|---|---|
| Záměna písmen a číslic (O/0, l/1, S/5, B/8) | „AX-1OO“ místo AX-100 | Kontrola vzoru čísel modelů; kontrolní číslice GTIN |
| Ztracený desetinný oddělovač | „1,5 l“ přečteno jako „15 l“ | Rozsah věrohodnosti pro každý atribut |
| Poznámka pod čarou slitá s číslem | „1.1¹ kg“ přečteno jako „1.11 kg“ | Porovnání se sourozeneckými modely; hledání textu poznámky |
| Nesprávné pořadí čtení | Dva sloupce spojené do jednoho řádku | Kontrola počtu hodnot na model |
| Chybně přečtené symboly jednotek | „°C“ jako „oC“, „µm“ jako „um“ | Seznam povolených jednotek pro každý atribut |
| Vypadlé znaménko mínus nebo pomlčka | „−20 °C“ přečteno jako „20 °C“ | Kontrola, že minimum rozsahu ≤ maximum |
Praktický příklad: z technického listu strukturovaný záznam
Takto se výše uvedené kroky uplatní na jeden ilustrativní technický list rychlovarné konvice, který v jedné tabulce pokrývá dva modely. Jde o výukový příklad, nikoli o skutečný výrobek ani změřený výsledek extrakce. Každý zdrojový řádek je přiřazen k poli, normalizován a zkontrolován.
Výsledkem jsou dva záznamy variant se společnou kapacitou, výkonem a napětím, každý s vlastní barvou, hmotností a identifikátorem — plus dvě otevřené otázky pro dodavatele. Nic nebylo doplněno předpokladem: EAN druhého modelu a země původu zůstávají prázdné, dokud je dodavatel neposkytne. Normalizace hodnot a jednotek napříč mnoha dodavateli, nikoli jen jedním listem, je popsána v návodu k produktovým atributům.
| Zdrojový řádek tak, jak je vytištěn | Pole | Extrahovaná hodnota | Použitá kontrola |
|---|---|---|---|
| Model: AX-100 | AX-100B | model_number | AX-100; AX-100B | Dva sloupce, tedy dva záznamy variant |
| Kapacita 1,5 l (sloučeno přes oba modely) | capacity | 1.5 L pro každý model | Desetinná čárka; sloučená buňka zkopírována k oběma |
| Výkon 1850–2200 W | rated_power | min 1850 W, max 2200 W | Zachováno jako rozsah, nikoli jedno číslo |
| 220–240 V~ 50/60 Hz | rated_voltage; frequency | 220–240 V AC; 50/60 Hz | Jeden řádek, dvě pole |
| Barva: kartáčovaná ocel | černá | color | kartáčovaná ocel; černá | Jedna hodnota pro každou variantu |
| Čistá hmotnost (kg) 1.1¹ | 1.0¹ | net_weight | 1.1 kg; 1.0 kg | Jednotka ze záhlaví; poznámka ¹ „bez podstavce“ zachována |
| EAN 6291041500213 | — | gtin | 6291041500213; prázdné | Kontrolní číslice platná; požádat o chybějící EAN |
| (neuvedeno) | country_of_origin | prázdné | Vyžádat od dodavatele; nikdy nedomýšlet |
Časté způsoby selhání a postup ověření
Většinu chyb extrakce způsobuje bez ohledu na metodu stejná hrstka vlastností dokumentů. Když je znáte, můžete kontrolu navrhnout podle skutečných rizik, místo abyste každou hodnotu četli znovu se stejnou péčí.
- Potvrďte dokument: správný výrobek, aktuální revize, všechny strany přítomny.
- Každý identifikátor (číslo modelu, GTIN s kontrolní číslicí) a každou hodnotu důležitou pro bezpečnost — varování, elektrické parametry, informace o nebezpečnosti — porovnejte se zdrojem.
- U ostatních hodnot spusťte automatické kontroly: jednotky jsou uvedeny, hodnoty jsou ve věrohodném rozsahu, povinná pole jsou vyplněna.
- U každého dodavatele namátkově zkontrolujte vzorek zbývajících polí a při nalezení chyb vzorek rozšiřte.
- Nevyřešené mezery změňte na dotazy pro dodavatele, nikoli na odhady.
- Ke každému záznamu uložte zdrojové PDF, kontrolujícího a datum kontroly.
| Způsob selhání | Co se pokazí | Prevence |
|---|---|---|
| Jednotky pouze v záhlaví | Holá čísla ztratí jednotku | Přenést jednotky ze záhlaví; odmítat měření bez jednotky |
| Poznámky pod čarou a zkušební podmínky | Údaje „typicky“, „při 25 °C“ nebo „bez podstavce“ se ztratí | Ukládat podmínky spolu s hodnotou |
| Sloučené buňky | Hodnota přiřazena pouze prvnímu modelu | Před rozdělením variant rozdělit sloučené buňky |
| Vícejazyčné technické listy | Chybně přečtené desetinné čárky; stejná hodnota zachycená dvakrát ve dvou jazycích | Čtení čísel podle jazykové lokality; seznam synonym záhlaví; odstranění duplicit |
| Několik výrobků v jednom PDF | Hodnoty přiřazené nesprávnému výrobku | Jeden záznam na výrobek; kontrola čísla každého modelu |
| Zastaralé revize | Starý list odporuje aktuálnímu | Zaznamenat datum nebo revizi dokumentu; upřednostnit nejnovější |
| Hodnoty pouze ve výkresech nebo obrázcích | Rozměry na technickém výkresu zůstanou nepovšimnuty | Zkontrolovat výkresy; označit chybějící rozměry |
Často kladené otázky
- Lze extrahovat data z naskenovaného PDF?
- Ano, ale text je nejprve nutné rozpoznat pomocí OCR (optické rozpoznávání znaků). Nástroje pro tabulky, které čtou pouze digitální text, z naskenované stránky nevrátí nic; nástroje s OCR a nástroje založené na AI ji přečtou, u skenů nízké kvality je však potřeba větší opatrnosti.
- Jak extrahovat atributy výrobku z PDF technického listu?
- Definujte atributy, které potřebujete (například materiál, barvu, kapacitu), a poté získejte hodnoty z tabulek a textu technického listu, ručně nebo pomocí AI nástroje, který přiřazuje buňky tabulek a věty k polím. Atributy uvedené jen v marketingovém textu berte s opatrností a technické hodnoty ověřte podle specifikačních tabulek.
- V jakém formátu mají být extrahovaná produktová data?
- Použijte formát, který importuje váš navazující systém — obvykle CSV pro tabulky a importéry obchodů nebo JSON pro API a systémy PIM. Ponechte jeden řádek nebo objekt na variantu výrobku, s jednotnými názvy polí a jednotkami.
- Je AI extrakce dostatečně přesná na to, aby se publikovalo bez kontroly?
- Nemělo by se publikovat bez kontroly. AI extrakce odstraní většinu psaní, ale člověk by měl nejisté údaje, identifikátory a vše, co souvisí s bezpečností, před použitím dat ověřit podle zdrojového dokumentu.
- Jaký je nejlepší způsob extrakce tabulek z PDF technického listu?
- U přehledných digitálních tabulek funguje nástroj pro extrakci tabulek i AI extrakce; naskenované tabulky nejdřív potřebují OCR. Ať použijete jakýkoli nástroj, rozdělte sloučené buňky, přenášejte jednotky ze záhlaví ke každé hodnotě, oddělte značky poznámek pod čarou od čísel a tabulky s více modely rozdělte na jeden záznam na model.
- Jak přesná je AI extrakce produktových dat z PDF?
- Závisí na kvalitě dokumentů, složitosti rozvržení a na tom, jak jasně definujete pole, takže neexistuje jediné číslo přesnosti, které by platilo pro vaše dokumenty. Změřte si ji sami: extrahujte vzorek PDF od svých dodavatelů a porovnejte každé pole se zdrojem, přičemž chybné a chybějící hodnoty počítejte zvlášť.
- Mohu převést PDF katalog na CSV pro svůj obchod?
- Ano. Extrahujte jeden záznam na výrobek nebo variantu do pevné sady sloupců, normalizujte jednotky a hodnoty a poté přejmenujte sloupce podle importní šablony svého obchodu. Katalog často obsahuje o jednotlivých výrobcích méně podrobností než samostatné technické listy, proto počítejte s mezerami, které budete doplňovat z jiných zdrojů.
- Jak extrahovat data z technických listů v jiných jazycích?
- Při extrakci ponechte hodnoty tak, jak jsou vytištěny, čísla čtěte podle jazykové lokality dokumentu (desetinné čárky, oddělovače tisíců) a cizojazyčná záhlaví přiřazujte k názvům svých polí pomocí seznamu synonym. Popisný text překládejte zvlášť a nechte jej zkontrolovat.