Ratgeber
Produktdaten aus PDFs extrahieren
Lieferanten-PDFs enthalten die Spezifikationen, die Ihr Katalog braucht, aber nicht in einer importierbaren Form. Hier sind vier Wege, sie in strukturierte Produktdaten zu verwandeln, und Hinweise zur Auswahl.
Produktdatenextraktion bedeutet, die in einem Dokument abgedruckten Werte — Modellnummern, Abmessungen, Materialien, Kapazitäten, Leistungsangaben, Warnhinweise — in Felder zu überführen, die ein System nutzen kann. Für eine Handvoll Produkte genügt Abtippen. Bei einem Lieferantenkatalog mit Hunderten von SKUs und einem anderen PDF-Layout je Hersteller entscheidet die gewählte Methode, wie lange das Onboarding dauert und wie viele Fehler in Ihren Shop gelangen.
Nachfolgend vergleichen wir die vier gängigen Ansätze und behandeln anschließend die Prüfungen, die unabhängig von der Methode wichtig sind.
Vom Ergebnis aus denken: Produktschema festlegen
Bevor Sie etwas extrahieren, entscheiden Sie, welche Felder Sie in welcher Form benötigen. Ein Schema für ein Kleingerät könnte Modell, Marke, EAN, Breite/Höhe/Tiefe in Millimetern, Gewicht in Kilogramm, Leistung in Watt, Spannung, Material, Farbe und Warnhinweise umfassen. Wer Einheiten und zulässige Werte vorab festlegt, macht die extrahierten Daten über Lieferanten hinweg vergleichbar.
Wenn Sie über mehrere Kanäle verkaufen, ordnen Sie jedes Feld den Attributnamen zu, die diese Kanäle verwenden (zum Beispiel Shopify-Produktoptionen oder WooCommerce-Attribute), damit sich das Extraktionsergebnis ohne weiteres Umformatieren wiederverwenden lässt.
Methode 1: Manuelles Kopieren und Einfügen
Jemand öffnet das PDF und tippt oder fügt Werte in eine Tabelle oder ein Produktformular ein. Das erfordert keine Werkzeuge und funktioniert mit jedem Layout, weshalb die meisten Teams hier beginnen.
Mit wachsendem Volumen steigen die Kosten: Es ist langsam, die Aufmerksamkeit lässt nach, und Übertragungsfehler — eine vertauschte Ziffer in einer Modellnummer, ein Wert aus der falschen Spalte — sind später schwer zu entdecken. Manuelle Eingabe eignet sich für kleine Kataloge oder als Prüfschritt über einer automatisierten Methode.
Methode 2: Werkzeuge zur PDF-Tabellenextraktion
Werkzeuge zur Tabellenextraktion (darunter Open-Source-Lösungen und die Exportfunktionen von PDF-Editoren) erkennen Tabellen in digitalen PDFs und exportieren sie nach CSV oder Excel. Sie sind schnell, wenn die Daten wirklich in einer sauberen Tabelle stehen.
Schwer tun sie sich mit Werten im Fließtext, verbundenen Zellen, Tabellen über mehrere Seiten und gescannten Dokumenten. Außerdem liefern sie rohe Tabellen statt benannter Felder — Spalten müssen Sie weiterhin Ihrem Schema zuordnen und Überschriften, Einheiten und Fußnoten bereinigen.
Methode 3: Template- oder Zonen-Parsing
Template-basierte Parser lassen Sie für ein bestimmtes Layout festlegen, wo auf der Seite welches Feld steht. Einmal eingerichtet, wird jedes Dokument in genau diesem Layout einheitlich extrahiert — geeignet für große Mengen identischer Dokumente wie Rechnungen eines einzelnen Absenders.
Lieferantendatenblätter sind selten so einheitlich. Jeder Hersteller — und oft jede Produktlinie — braucht ein eigenes Template, und Templates brechen, wenn der Lieferant das Design ändert. Bei Katalogen aus vielen Quellen übersteigt der Pflegeaufwand schnell den Nutzen.
Methode 4: KI-Extraktion
KI-Extraktion nutzt Sprach- und Bildmodelle, um das Dokument so zu lesen, wie es ein Mensch tun würde: Sie findet die Modellnummer, ob sie in einer Kopfzeile, einer Tabelle oder einem Satz steht, und liefert die Felder Ihres Schemas mit Werten und Einheiten. Da sie nicht von festen Positionen abhängt, kann eine Einrichtung viele Lieferantenlayouts abdecken, auch gescannte Seiten.
Der Kompromiss: KI-Ergebnisse müssen geprüft werden. Gute Werkzeuge zeigen zu den extrahierten Werten einen Konfidenzhinweis und Quellennachweise, sodass sich Prüfende auf unsichere Werte konzentrieren können, und sie lassen ein Feld leer oder markiert, statt zu raten, wenn das Dokument es nicht nennt. Die PDF-Produktdatenextraktion von Doc2Shelf bewertet jede Extraktion nach Konfidenz und Vollständigkeit und erfasst extrahierte Fakten mit Seitenzahl und kurzem Zitat; der geprüfte Datensatz kann Listings und Compliance-Entwürfe speisen.
So wählen Sie eine Methode
Eine praktische Faustregel:
- Unter etwa 20 Produkten oder bei einmaligen Ergänzungen: manuelle Eingabe mit klarem Schema.
- Saubere digitale Tabellen, ein oder zwei Lieferanten: ein Tabellenextraktionswerkzeug plus Nachbearbeitung.
- Große Mengen eines einzigen, identischen Layouts: Template-Parsing.
- Viele Lieferanten, unterschiedliche Layouts oder gescannte PDFs: KI-Extraktion mit menschlicher Prüfung.
Prüfungen, die extrahierte Daten korrekt halten
Unabhängig von der Methode verursachen dieselben Probleme die meisten Fehler. Bauen Sie diese Prüfungen in Ihren Review-Schritt ein:
- Modellzuordnung: Wenn ein Datenblatt mehrere Modelle abdeckt, bestätigen Sie, dass jeder Wert zur richtigen Modellspalte gehört.
- Einheiten: Normalisieren Sie Einheiten (mm vs. cm, W vs. kW) und behalten Sie die Einheit bei jedem Zahlenwert.
- Fußnoten und Bedingungen: Werte wie Kapazität oder Laufzeit hängen oft von angegebenen Prüfbedingungen ab.
- Kennungen: Prüfen Sie EAN/GTIN-Prüfziffern und Modellnummern Zeichen für Zeichen.
- Fehlende oder widersprüchliche Werte: Fragen Sie beim Lieferanten nach, statt einen Wert abzuleiten, der nicht im Dokument steht.
- Rückverfolgbarkeit: Halten Sie das Quell-PDF mit dem Datensatz verknüpft, damit jeder einen Wert später erneut prüfen kann.
Extraktionsmethoden im direkten Vergleich
Die vier oben genannten Methoden unterscheiden sich weniger darin, was sie lesen können, als darin, wovon ihre Genauigkeit abhängt und wie viel Einrichtung sie brauchen. Auch OCR gehört in den Vergleich, aber eher als Schicht denn als Methode: Sie macht aus einer gescannten Seite Text, und eine der anderen Methoden muss diesen Text noch in Felder überführen.
Die Genauigkeit ist nie allein eine Eigenschaft der Methode. Sie hängt von den eingespeisten Dokumenten ab, davon, wie klar Ihr Schema jedes Feld definiert, und davon, wie diszipliniert die Prüfung abläuft — daher lohnt es sich, sie an einer Stichprobe Ihrer eigenen Lieferanten-PDFs zu messen, statt sich auf veröffentlichte Zahlen zu verlassen.
| Methode | Genauigkeit hängt ab von | Einrichtungsaufwand | Ergebnis | Am besten geeignet für |
|---|---|---|---|---|
| Manuelle Eingabe | Aufmerksamkeit der Prüfenden und ein klares Schema | Keiner | Benannte Felder, wie eingetippt | Kleine Kataloge; einmalige Ergänzungen; den Prüfschritt |
| Kopieren und Einfügen oder PDF-zu-Excel-Export | Eine echte Textebene und saubere, nicht verbundene Tabellen | Gering | Rohtext oder Tabellen, die von Hand zugeordnet werden | Saubere digitale Tabellen von ein bis zwei Lieferanten |
| Template- oder Zonen-Parsing | Jedes Dokument behält ein identisches Layout | Hoch pro Layout, erneut bei Layoutänderungen | Benannte Felder | Große Mengen eines festen Layouts |
| OCR | Scanauflösung, Kontrast, Schräglage, Schriftarten, Sprache | Gering bis mittel | Nur Text | Gescannte Seiten für eine andere Methode lesbar machen |
| LLM-basierte Extraktion | Klarheit des Schemas, Dokumentqualität, Prüfdisziplin | Gering pro Layout; braucht einen Prüf-Workflow | Benannte Felder mit Werten und Einheiten | Viele Lieferanten, unterschiedliche Layouts, Mischung aus Fließtext und Tabellen |
Umgang mit Spezifikationstabellen und Tabellen mit mehreren Varianten
Die meisten Extraktionsfehler bei Datenblättern passieren in Tabellen, und die meisten davon, wenn eine Tabelle mehrere Modelle beschreibt. Eine Tabelle, die für Lesende eindeutig wirkt, verbirgt Strukturen, an denen ein Parser oder ein müder Mensch scheitern kann: Einheiten, die nur in der Kopfzeile stehen, über mehrere Modelle verbundene Zellen, Fußnotenmarker an Zahlen und Tabellen, die auf der nächsten Seite weitergehen.
Gehen Sie jede Spezifikationstabelle in einer festen Reihenfolge durch, bevor ein Wert in einen Datensatz übernommen wird:
- Bestimmen Sie die Ausrichtung: Stehen Modelle oder Varianten in Spalten oder in Zeilen? Notieren Sie, wie viele es sind, um am Ende die Anzahl der Datensätze abzugleichen.
- Lesen Sie jede Kopfzeile einschließlich Einheiten in Klammern und übertragen Sie die Einheit auf jede Zelle dieser Spalte oder Zeile.
- Lösen Sie verbundene Zellen auf: Ein Wert, der sich über mehrere Modellspalten erstreckt, gilt für jedes dieser Modelle, nicht nur für das erste.
- Fügen Sie über Seiten geteilte Tabellen wieder zusammen und prüfen Sie, dass die wiederholte Kopfzeile nicht als Datenzeile gelesen wird und am Seitenumbruch keine Zeile verloren geht.
- Trennen Sie Fußnotenmarker von Zahlen — „1.1¹“ ist 1.1 mit Fußnote 1, nicht 1.11 — und speichern Sie den Fußnotentext als Bedingung zu diesem Wert.
- Unterscheiden Sie leer, „—“, „n/a“ und „optional“: Leer bedeutet unbekannt, ein Strich oft nicht zutreffend, und keines von beiden darf zu Null werden.
- Achten Sie auf Werte außerhalb der Tabelle, etwa „alle Modelle: 230 V“ darunter, und wenden Sie sie auf jedes Modell an, das sie betreffen.
- Teilen Sie die Tabelle in einen Datensatz pro Modell oder Variante auf und prüfen Sie dann, ob die Anzahl der Datensätze mit Schritt 1 übereinstimmt.
Gescannte PDFs und OCR-Qualität
Prüfen Sie zuerst, ob ein PDF eine Textebene hat: Wenn sich der Text markieren oder durchsuchen lässt, ist es digital; wenn nicht, ist es ein Bild und braucht OCR, bevor ein Tabellenwerkzeug es lesen kann. Schickt ein Lieferant einen Scan, fordern Sie das digitale Original an — das beseitigt eine ganze Fehlerkategorie. Wenn Sie selbst scannen müssen, gelten etwa 300 dpi als gängige Empfehlung für Text, und gerade, kontrastreiche Seiten sind ebenso wichtig wie die Auflösung.
OCR-Fehler sind gefährlich, weil sie plausibel aussehende Ergebnisse liefern. Die Zeichen, die verwechselt werden, sind vorhersehbar, und damit lassen sich auch die Prüfungen vorhersehbar gestalten:
| OCR-Fehler | Beispiel | So erkennen Sie ihn |
|---|---|---|
| Buchstaben und Ziffern verwechselt (O/0, l/1, S/5, B/8) | „AX-1OO“ statt AX-100 | Mustervalidierung bei Modellnummern; GTIN-Prüfziffer |
| Dezimaltrennzeichen verloren | „1,5 l“ als „15 l“ gelesen | Plausibilitätsbereich pro Attribut |
| Fußnote in eine Zahl übernommen | „1.1¹ kg“ als „1.11 kg“ gelesen | Mit Schwestermodellen vergleichen; nach Fußnotentext suchen |
| Falsche Lesereihenfolge | Zwei Spalten zu einer Zeile verbunden | Anzahl der Werte pro Modell prüfen |
| Einheitensymbole falsch gelesen | „°C“ als „oC“, „µm“ als „um“ | Liste zulässiger Einheiten pro Attribut |
| Minuszeichen oder Strich ausgefallen | „−20 °C“ als „20 °C“ gelesen | Prüfen, dass Bereichsminimum ≤ Maximum |
Praxisbeispiel: Aus einem Datenblatt wird ein strukturierter Datensatz
So wenden sich die obigen Schritte auf das Datenblatt eines beispielhaften Wasserkochers an, das zwei Modelle in einer Tabelle abdeckt. Es ist ein Lehrbeispiel, kein reales Produkt und kein gemessenes Extraktionsergebnis. Jede Quellzeile wird einem Feld zugeordnet, normalisiert und geprüft.
Das Ergebnis sind zwei Variantendatensätze, die Fassungsvermögen, Leistung und Spannung teilen und jeweils eigene Farbe, eigenes Gewicht und eigene Kennung haben — plus zwei offene Fragen an den Lieferanten. Nichts wurde aufgrund von Annahmen ergänzt: Die EAN des zweiten Modells und das Ursprungsland bleiben leer, bis der Lieferant sie liefert. Wie Werte und Einheiten über viele Lieferanten statt über ein einzelnes Blatt normalisiert werden, behandelt der Ratgeber zu Produktattributen.
| Quellzeile wie gedruckt | Feld | Extrahierter Wert | Angewandte Prüfung |
|---|---|---|---|
| Modell: AX-100 | AX-100B | model_number | AX-100; AX-100B | Zwei Spalten, also zwei Variantendatensätze |
| Fassungsvermögen 1,5 l (über beide Modelle verbunden) | capacity | 1.5 L für jedes Modell | Dezimalkomma; verbundene Zelle in beide kopiert |
| Leistung 1850–2200 W | rated_power | min 1850 W, max 2200 W | Als Bereich erhalten, nicht als eine Zahl |
| 220–240 V~ 50/60 Hz | rated_voltage; frequency | 220–240 V AC; 50/60 Hz | Eine Zeile, zwei Felder |
| Farbe: gebürsteter Stahl | schwarz | color | gebürsteter Stahl; schwarz | Ein Wert pro Variante |
| Nettogewicht (kg) 1.1¹ | 1.0¹ | net_weight | 1.1 kg; 1.0 kg | Einheit aus der Kopfzeile; Fußnote ¹ „ohne Sockel“ beibehalten |
| EAN 6291041500213 | — | gtin | 6291041500213; leer | Prüfziffer gültig; fehlende EAN anfordern |
| (nicht angegeben) | country_of_origin | leer | Beim Lieferanten anfragen; niemals ableiten |
Häufige Fehlerquellen und ein Verifizierungs-Workflow
Dieselben wenigen Dokumentmerkmale verursachen unabhängig von der Methode die meisten Extraktionsfehler. Wer sie kennt, kann die Prüfung an den tatsächlichen Risiken ausrichten, statt jeden Wert mit gleicher Sorgfalt erneut zu lesen.
- Bestätigen Sie das Dokument: richtiges Produkt, aktuelle Revision, alle Seiten vorhanden.
- Prüfen Sie jede Kennung (Modellnummer, GTIN mit Prüfziffer) und jeden sicherheitsrelevanten Wert — Warnhinweise, elektrische Nennwerte, Gefahrenangaben — anhand der Quelle.
- Lassen Sie für den Rest automatische Prüfungen laufen: Einheiten vorhanden, Werte in plausiblen Bereichen, Pflichtfelder ausgefüllt.
- Prüfen Sie pro Lieferant stichprobenartig die übrigen Felder und vergrößern Sie die Stichprobe, wenn Sie Fehler finden.
- Machen Sie aus offenen Lücken Fragen an den Lieferanten statt Schätzungen.
- Speichern Sie das Quell-PDF, die prüfende Person und das Prüfdatum beim Datensatz.
| Fehlerquelle | Was schiefgeht | Vorbeugung |
|---|---|---|
| Einheiten nur in Kopfzeilen | Nackte Zahlen verlieren ihre Einheit | Kopfzeileneinheiten übertragen; Messwerte ohne Einheit ablehnen |
| Fußnoten und Prüfbedingungen | „Typisch“, „bei 25 °C“ oder „ohne Sockel“ geht verloren | Bedingungen zusammen mit dem Wert speichern |
| Verbundene Zellen | Wert nur dem ersten Modell zugeordnet | Verbundene Zellen vor der Aufteilung in Varianten auflösen |
| Mehrsprachige Datenblätter | Dezimalkommas falsch gelesen; derselbe Wert in zwei Sprachen doppelt erfasst | Zahlenparsing nach Ländereinstellung; Synonymliste für Kopfzeilen; Duplikate entfernen |
| Mehrere Produkte in einem PDF | Werte dem falschen Produkt zugeordnet | Ein Datensatz pro Produkt; jede Modellnummer prüfen |
| Veraltete Revisionen | Ein altes Blatt widerspricht dem aktuellen | Dokumentdatum oder Revision erfassen; die neueste bevorzugen |
| Werte nur in Zeichnungen oder Bildern | Maße in einer technischen Zeichnung werden übersehen | Zeichnungen prüfen; fehlende Maße markieren |
Häufig gestellte Fragen
- Kann ich Daten aus einem gescannten PDF extrahieren?
- Ja, aber der Text muss zuerst per OCR (optische Zeichenerkennung) erkannt werden. Tabellenwerkzeuge, die nur digitalen Text lesen, liefern bei einer gescannten Seite nichts; OCR-fähige und KI-basierte Werkzeuge können sie lesen, bei Scans geringer Qualität ist jedoch mehr Sorgfalt nötig.
- Wie extrahiere ich Produktattribute aus einem PDF-Datenblatt?
- Definieren Sie die benötigten Attribute (zum Beispiel Material, Farbe, Fassungsvermögen) und übernehmen Sie dann die Werte aus den Tabellen und Texten des Datenblatts — entweder manuell oder mit einem KI-Werkzeug, das Tabellenzellen und Sätze Feldern zuordnet. Behandeln Sie Attribute, die nur im Werbetext stehen, mit Vorsicht, und bestätigen Sie technische Werte anhand der Spezifikationstabellen.
- In welchem Format sollten extrahierte Produktdaten vorliegen?
- In dem, was Ihr nachgelagertes System importiert — meist CSV für Tabellen und Shop-Importer oder JSON für APIs und PIM-Systeme. Führen Sie eine Zeile oder ein Objekt pro Produktvariante, mit einheitlichen Feldnamen und Einheiten.
- Ist KI-Extraktion genau genug, um ohne Prüfung zu veröffentlichen?
- Ungeprüft sollte sie nicht veröffentlicht werden. KI-Extraktion nimmt den Großteil des Tippens ab, doch eine Person sollte unsichere Felder, Kennungen und alles Sicherheitsrelevante anhand des Quelldokuments bestätigen, bevor die Daten verwendet werden.
- Wie extrahiert man am besten Tabellen aus einem PDF-Datenblatt?
- Bei sauberen digitalen Tabellen funktionieren sowohl ein Tabellenextraktionswerkzeug als auch ein KI-Extraktionswerkzeug; gescannte Tabellen brauchen zuerst OCR. Unabhängig vom Werkzeug gilt: verbundene Zellen auflösen, Kopfzeileneinheiten auf jeden Wert übertragen, Fußnotenmarker von Zahlen trennen und Tabellen mit mehreren Modellen in einen Datensatz pro Modell aufteilen.
- Wie genau ist die KI-Extraktion von Produktdaten aus PDFs?
- Das hängt von der Dokumentqualität, der Komplexität des Layouts und der Klarheit Ihrer Felddefinitionen ab; es gibt daher keine einzelne Genauigkeitszahl, die für Ihre Dokumente gilt. Messen Sie sie selbst: Extrahieren Sie eine Stichprobe Ihrer Lieferanten-PDFs, vergleichen Sie jedes Feld mit der Quelle und zählen Sie falsche und fehlende Werte getrennt.
- Kann ich einen PDF-Katalog in eine CSV-Datei für meinen Shop umwandeln?
- Ja. Extrahieren Sie einen Datensatz pro Produkt oder Variante in einen festen Satz von Spalten, normalisieren Sie Einheiten und Werte und benennen Sie die Spalten dann passend zur Importvorlage Ihres Shops um. Ein Katalog enthält oft weniger Details pro Produkt als einzelne Datenblätter; rechnen Sie also damit, Lücken aus anderen Quellen zu füllen.
- Wie extrahiere ich Daten aus Datenblättern in anderen Sprachen?
- Behalten Sie die Werte bei der Extraktion so, wie sie gedruckt sind, parsen Sie Zahlen nach der Ländereinstellung des Dokuments (Dezimalkommas, Tausendertrennzeichen) und ordnen Sie fremdsprachige Kopfzeilen mit einer Synonymliste Ihren Feldnamen zu. Übersetzen Sie beschreibende Texte separat und lassen Sie sie prüfen.