Guide
Sådan udtrækker du produktdata fra PDF'er
Leverandør-PDF'er indeholder de specifikationer, dit katalog har brug for, men ikke i en form, du kan importere. Her er fire måder at omsætte dem til strukturerede produktdata på, og hvordan du vælger mellem dem.
Udtræk af produktdata betyder at tage de værdier, der står i et dokument — modelnumre, mål, materialer, kapaciteter, effektangivelser, advarsler — og omsætte dem til felter, et system kan bruge. For en håndfuld produkter er det fint at kopiere i hånden. For et leverandørkatalog med hundredvis af SKU'er og et forskelligt PDF-layout fra hver producent afgør den metode, du vælger, hvor lang tid onboarding tager, og hvor mange fejl der ender i din butik.
Nedenfor sammenligner vi de fire almindelige tilgange og gennemgår derefter de kontroller, der er vigtige uanset metode.
Start med resultatet: definér dit produktskema
Før du udtrækker noget, så beslut, hvilke felter du har brug for, og i hvilken form. Et skema for et mindre apparat kan omfatte model, brand, EAN, bredde/højde/dybde i millimeter, vægt i kilogram, effekt i watt, spænding, materiale, farve og advarsler. Når enheder og tilladte værdier er defineret på forhånd, bliver de udtrukne data sammenlignelige på tværs af leverandører.
Hvis du sælger i flere kanaler, så knyt hvert felt til de attributnavne, kanalerne bruger (for eksempel Shopify-produktindstillinger eller WooCommerce-attributter), så resultatet af udtrækket kan genbruges uden endnu en runde omformatering.
Metode 1: Manuel kopiering og indsættelse
Nogen åbner PDF'en og taster eller indsætter værdier i et regneark eller en produktformular. Det kræver ingen værktøjer og håndterer ethvert layout, og derfor starter de fleste teams her.
Omkostningerne vokser med volumen: det er langsomt, opmærksomheden daler, og indtastningsfejl — et ombyttet ciffer i et modelnummer, en værdi fra den forkerte kolonne — er svære at opdage senere. Manuel indtastning fungerer til små kataloger eller som gennemgangstrin oven på en automatiseret metode.
Metode 2: Værktøjer til udtræk af PDF-tabeller
Værktøjer til tabeludtræk (herunder open source-løsninger og eksportfunktionerne i PDF-editorer) finder tabeller i digitale PDF'er og eksporterer dem til CSV eller Excel. De er hurtige, når dataene virkelig står i en ren tabel.
De har svært ved værdier i løbende tekst, sammenflettede celler, tabeller over flere sider og scannede dokumenter, og de returnerer rå tabeller i stedet for navngivne felter — du skal stadig knytte kolonner til dit skema og rydde op i overskrifter, enheder og fodnoter.
Metode 3: Skabelon- eller zoneparsing
Skabelonbaserede parsere lader dig for et givet layout definere, hvor hvert felt står på siden. Når de først er sat op, udtrækkes alle dokumenter i netop det layout ensartet, hvilket passer til store mængder identiske dokumenter, f.eks. fakturaer fra én afsender.
Leverandørers datablade er sjældent så ensartede. Hver producent — og ofte hver produktlinje — kræver sin egen skabelon, og skabeloner går i stykker, når leverandøren ændrer designet. For kataloger fra mange leverandører overstiger vedligeholdelsen hurtigt gevinsten.
Metode 4: AI-udtræk
AI-udtræk bruger sprog- og billedmodeller til at læse dokumentet, som et menneske ville gøre: det finder modelnummeret, uanset om det står i en overskrift, en tabel eller en sætning, og returnerer felterne i dit skema med værdier og enheder. Fordi det ikke afhænger af faste positioner, kan én opsætning håndtere mange leverandørlayouts, herunder scannede sider.
Ulempen er, at AI-output skal gennemgås. Gode værktøjer viser en konfidensindikation og kildebevis for de udtrukne værdier, så dem, der gennemgår, kan koncentrere sig om de usikre, og de lader et felt stå tomt eller markeret i stedet for at gætte, når dokumentet ikke angiver det. Doc2Shelfs udtræk af produktdata fra PDF'er scorer hvert udtræk for konfidens og fuldstændighed og registrerer udtrukne fakta med deres side og et kort citat; den gennemgåede post kan bruges til produktlister og compliance-udkast.
Sådan vælger du metode
En praktisk tommelfingerregel:
- Under ca. 20 produkter eller enkeltstående tilføjelser: manuel indtastning med et klart skema.
- Rene digitale tabeller, en eller to leverandører: et værktøj til tabeludtræk plus oprydning.
- Store mængder af ét identisk layout: skabelonparsing.
- Mange leverandører, varierede layouts eller scannede PDF'er: AI-udtræk med menneskelig gennemgang.
Kontroller, der holder de udtrukne data korrekte
Uanset hvilken metode du bruger, skyldes de fleste fejl de samme problemer. Byg disse kontroller ind i dit gennemgangstrin:
- Modelknytning: når et ark dækker flere modeller, så bekræft, at hver værdi hører til den rigtige modelkolonne.
- Enheder: normalisér enheder (mm vs. cm, W vs. kW), og behold enheden ved hver numerisk værdi.
- Fodnoter og betingelser: værdier som kapacitet eller driftstid afhænger ofte af angivne testbetingelser.
- Identifikatorer: kontrollér EAN/GTIN-kontrolcifre og modelnumre tegn for tegn.
- Manglende eller modstridende værdier: spørg leverandøren i stedet for at udlede en værdi, der ikke står i dokumentet.
- Sporbarhed: hold kilde-PDF'en knyttet til posten, så enhver senere kan kontrollere en værdi igen.
Udtrækningsmetoder sammenlignet side om side
De fire metoder ovenfor adskiller sig mindre i, hvad de kan læse, end i, hvad der driver deres nøjagtighed, og hvor meget opsætning de kræver. OCR hører også med i sammenligningen, men som et lag frem for en metode: det omdanner en scannet side til tekst, og en af de andre metoder skal stadig omdanne teksten til felter.
Nøjagtighed er aldrig en egenskab ved metoden alene. Den afhænger af de dokumenter, du fodrer ind, af hvor klart dit skema definerer hvert felt, og af hvor disciplineret gennemgangen er — og derfor er det værd at måle den på et udsnit af dine egne leverandør-PDF'er frem for at stole på offentliggjorte tal.
| Metode | Nøjagtigheden afhænger af | Opsætningsindsats | Output | Bedst til |
|---|---|---|---|---|
| Manuel indtastning | Gennemgangerens opmærksomhed og et klart skema | Ingen | Navngivne felter, som indtastet | Små kataloger; enkeltstående tilføjelser; gennemgangstrinnet |
| Kopiér-indsæt eller PDF-til-Excel-eksport | Et ægte tekstlag og rene, ikke-sammenflettede tabeller | Lav | Rå tekst eller tabeller, der skal mappes i hånden | Rene digitale tabeller fra en eller to leverandører |
| Skabelon- eller zoneparsing | Alle dokumenter har identisk layout | Høj pr. layout og igen, når layouts ændres | Navngivne felter | Store mængder af ét fast layout |
| OCR | Scanningsopløsning, kontrast, skævhed, skrifttyper, sprog | Lav til middel | Kun tekst | At gøre scannede sider læsbare for en anden metode |
| LLM-baseret udtræk | Skemaets klarhed, dokumentkvalitet, gennemgangsdisciplin | Lav pr. layout; kræver en gennemgangsworkflow | Navngivne felter med værdier og enheder | Mange leverandører, varierende layouts, blandet prosa og tabeller |
Håndtering af specifikationstabeller og tabeller med flere varianter
De fleste udtrækfejl i datablade sker i tabeller, og de fleste af dem sker, når én tabel beskriver flere modeller. En tabel, der ser indlysende ud for en læser, skjuler en struktur, som en parser eller en træt person kan læse forkert: enheder, der kun står i overskriften, celler flettet på tværs af modeller, fodnotemarkører hæftet på tal og tabeller, der fortsætter på næste side.
Gennemgå hver specifikationstabel i en fast rækkefølge, før nogen værdi kopieres over i en post:
- Identificér orienteringen: står modeller eller varianter i kolonner eller i rækker? Notér, hvor mange der er, så du kan kontrollere antallet af poster til sidst.
- Læs hver overskriftsrække, herunder enheder i parentes, og før enheden ned til hver celle i den kolonne eller række.
- Udvid flettede celler: en værdi, der spænder over flere modelkolonner, gælder for hver af disse modeller, ikke kun den første.
- Sæt tabeller, der er delt over flere sider, sammen igen, og kontrollér, at den gentagne overskrift ikke læses som en datarække, og at ingen række går tabt ved sideskiftet.
- Adskil fodnotemarkører fra tal — »1,1¹« er 1,1 med fodnote 1, ikke 1,11 — og gem fodnotens tekst som en betingelse knyttet til den værdi.
- Skel mellem tom, »—«, »n/a« og »valgfri«: tom betyder ukendt, en tankestreg betyder ofte ikke relevant, og ingen af delene bør blive til nul.
- Led efter værdier uden for tabellen, f.eks. »alle modeller: 230 V« under den, og anvend dem på alle de modeller, de dækker.
- Del tabellen op i én post pr. model eller variant, og bekræft derefter, at antallet af poster stemmer med trin 1.
Scannede PDF'er og OCR-kvalitet
Tjek først, om en PDF har et tekstlag: kan du markere eller søge i teksten, er den digital; hvis ikke, er den et billede og kræver OCR, før noget tabelværktøj kan læse den. Når en leverandør sender en scanning, så bed om den digitale original — det fjerner en hel kategori af fejl. Hvis du selv må scanne, er en opløsning på omkring 300 dpi en almindelig anbefaling for tekst, og lige sider med høj kontrast betyder lige så meget som opløsningen.
OCR-fejl er farlige, fordi de giver plausibelt output. De tegn, der bliver forvekslet, er forudsigelige, og det samme kan kontrollerne være:
| OCR-fejl | Eksempel | Sådan fanger du den |
|---|---|---|
| Bogstaver og cifre forvekslet (O/0, l/1, S/5, B/8) | »AX-1OO« i stedet for AX-100 | Mønsterkontrol af modelnumre; kontrolciffer i GTIN |
| Decimalseparator tabt | »1,5 l« læst som »15 l« | Plausibilitetsinterval pr. attribut |
| Fodnote smeltet sammen med et tal | »1,1¹ kg« læst som »1,11 kg« | Sammenlign med søstermodeller; led efter fodnotetekst |
| Forkert læserækkefølge | To kolonner slået sammen til én linje | Kontrollér antal værdier pr. model |
| Enhedssymboler læst forkert | »°C« som »oC«, »µm« som »um« | Liste over tilladte enheder pr. attribut |
| Minustegn eller tankestreg tabt | »−20 °C« læst som »20 °C« | Kontrollér, at intervallets minimum ≤ maksimum |
Eksempel fra praksis: et datablad bliver til en struktureret post
Her er, hvordan trinene ovenfor anvendes på ét illustrativt datablad for en elkedel, der dækker to modeller i én tabel. Det er et undervisningseksempel, ikke et rigtigt produkt eller et målt udtrækresultat. Hver kildelinje mappes til et felt, normaliseres og kontrolleres.
Resultatet er to variantposter, der deler kapacitet, effekt og spænding, hver med sin egen farve, vægt og identifikator — plus to åbne spørgsmål til leverandøren. Intet blev udfyldt ud fra antagelser: den anden models EAN og oprindelseslandet forbliver tomme, indtil leverandøren leverer dem. Normalisering af værdier og enheder på tværs af mange leverandører frem for ét ark behandles i guiden til produktattributter.
| Kildelinje som trykt | Felt | Udtrukket værdi | Anvendt kontrol |
|---|---|---|---|
| Model: AX-100 | AX-100B | model_number | AX-100; AX-100B | To kolonner, altså to variantposter |
| Kapacitet 1,5 l (flettet på tværs af begge modeller) | capacity | 1,5 l for hver model | Decimalkomma; flettet celle kopieret til begge |
| Effekt 1850–2200 W | rated_power | min. 1850 W, maks. 2200 W | Bevaret som interval, ikke ét tal |
| 220–240 V~ 50/60 Hz | rated_voltage; frequency | 220–240 V AC; 50/60 Hz | Én linje, to felter |
| Farve: børstet stål | sort | color | børstet stål; sort | Én værdi pr. variant |
| Nettovægt (kg) 1,1¹ | 1,0¹ | net_weight | 1,1 kg; 1,0 kg | Enhed fra overskriften; fodnote ¹ »uden sokkel« bevaret |
| EAN 6291041500213 | — | gtin | 6291041500213; tom | Kontrolcifferet er gyldigt; bed om den manglende EAN |
| (ikke angivet) | country_of_origin | tom | Anmod leverandøren om den; aldrig udledt |
Almindelige fejltyper og en verifikationsworkflow
De samme få dokumentegenskaber forårsager de fleste udtrækfejl, uanset metode. Når du kender dem, kan du tilrettelægge gennemgangen ud fra de reelle risici i stedet for at genlæse hver værdi med samme omhu.
- Bekræft dokumentet: rigtigt produkt, aktuel revision, alle sider til stede.
- Kontrollér hver identifikator (modelnummer, GTIN med kontrolciffer) og hver sikkerhedsrelevant værdi — advarsler, elektriske mærkedata, farefulde oplysninger — mod kilden.
- Kør automatiske kontroller på resten: enheder til stede, værdier inden for plausible intervaller, påkrævede felter udfyldt.
- Stikprøvekontrollér et udsnit af de resterende felter pr. leverandør, og udvid stikprøven, når du finder fejl.
- Omdan uløste huller til spørgsmål til leverandøren i stedet for skøn.
- Gem kilde-PDF'en, den, der har gennemgået den, og gennemgangsdatoen sammen med posten.
| Fejltype | Hvad der går galt | Forebyggelse |
|---|---|---|
| Enheder kun i overskrifter | Rene tal mister deres enhed | Før overskriftens enheder ned; afvis mål uden enhed |
| Fodnoter og prøvningsbetingelser | »Typisk«, »ved 25 °C« eller »uden sokkel« udelades | Gem betingelserne sammen med værdien |
| Flettede celler | Værdien tildeles kun den første model | Udvid flettede celler, før varianter deles op |
| Flersprogede datablade | Decimalkommaer læses forkert; samme værdi registreres to gange på to sprog | Landestandardbevidst talparsing; synonymliste for overskrifter; dedublering |
| Flere produkter i én PDF | Værdier knyttes til det forkerte produkt | Én post pr. produkt; kontrollér hvert modelnummer |
| Forældede revisioner | Et gammelt ark modsiger det aktuelle | Registrér dokumentets dato eller revision; foretræk den nyeste |
| Værdier kun i tegninger eller billeder | Mål på en teknisk tegning overses | Kontrollér tegninger; markér manglende mål |
Ofte stillede spørgsmål
- Kan jeg udtrække data fra en scannet PDF?
- Ja, men teksten skal først genkendes med OCR (optisk tegngenkendelse). Tabelværktøjer, der kun læser digital tekst, returnerer intet fra en scannet side; OCR-kompatible og AI-baserede værktøjer kan læse den, men scanninger af lav kvalitet kræver mere omhu.
- Hvordan udtrækker jeg produktattributter fra et PDF-datablad?
- Definér de attributter, du har brug for (f.eks. materiale, farve, kapacitet), og hent derefter værdierne fra databladets tabeller og tekst, enten manuelt eller med et AI-værktøj, der mapper tabelceller og sætninger til felter. Behandl attributter, der kun er angivet i markedsføringstekst, med forsigtighed, og bekræft tekniske værdier mod specifikationstabellerne.
- Hvilket format skal udtrukne produktdata have?
- Brug det, dit efterfølgende system importerer — som regel CSV til regneark og butiksimportværktøjer eller JSON til API'er og PIM-systemer. Brug én række eller ét objekt pr. produktvariant med ensartede feltnavne og enheder.
- Er AI-udtræk nøjagtigt nok til at publicere uden gennemgang?
- Det bør ikke publiceres uden gennemgang. AI-udtræk fjerner det meste af indtastningen, men en person bør bekræfte usikre felter, identifikatorer og alt sikkerhedsrelateret mod kildedokumentet, før dataene bruges.
- Hvad er den bedste måde at udtrække tabeller fra et PDF-datablad?
- Til rene digitale tabeller fungerer både et værktøj til tabeludtræk og et AI-udtrækværktøj; scannede tabeller kræver først OCR. Uanset værktøjet skal du udvide flettede celler, føre overskriftens enheder ned til hver værdi, adskille fodnotemarkører fra tal og dele tabeller med flere modeller op i én post pr. model.
- Hvor nøjagtigt er AI-udtræk af produktdata fra PDF'er?
- Det afhænger af dokumentkvaliteten, layoutets kompleksitet og af, hvor klart du definerer felterne, så der findes ikke ét nøjagtighedstal, der gælder for dine dokumenter. Mål det selv: udtræk et udsnit af dine leverandør-PDF'er, og sammenlign hvert felt med kilden, mens du tæller forkerte og manglende værdier hver for sig.
- Kan jeg konvertere et PDF-katalog til en CSV til min webshop?
- Ja. Udtræk én post pr. produkt eller variant til et fast sæt kolonner, normalisér enheder og værdier, og omdøb derefter kolonnerne, så de passer til din butiks importskabelon. Et katalog har ofte færre detaljer pr. produkt end de enkelte datablade, så forvent huller, der skal udfyldes fra andre kilder.
- Hvordan udtrækker jeg data fra datablade på andre sprog?
- Behold værdierne, som de er trykt, under udtrækket, parse tal efter dokumentets landestandard (decimalkommaer, tusindseparatorer), og map fremmedsprogede overskrifter til dine feltnavne med en synonymliste. Oversæt beskrivende tekst separat, og få den gennemgået.