Extracción de datos de productos de PDF
Doc2Shelf lee hojas de especificaciones, fichas técnicas, fichas de datos de seguridad y catálogos, y los convierte en datos de producto limpios y estructurados (especificaciones, atributos y campos de cumplimiento), con una puntuación de confianza para cada extracción y evidencia con referencia de página.
Plan gratuito incluido — no se requiere tarjeta de crédito.
Los datos de los productos están atrapados en archivos PDF. Las hojas de especificaciones, fichas técnicas, fichas de datos de seguridad y catálogos contienen todo lo necesario para vender y cumplir con la normativa, pero en un formato diseñado para la lectura, no para bases de datos. Extraerlos manualmente es lento e inconsistente.
Doc2Shelf extrae esos datos con IA. Identifica identificadores de producto, especificaciones, materiales, dimensiones y campos relevantes para el cumplimiento, los estructura de forma coherente, puntúa cada extracción según su confianza y su completitud, y registra los hechos extraídos con su página de origen y una cita breve para que sepas qué verificar.
Añade hojas de especificaciones, fichas técnicas, SDS o catálogos.
Se generan campos estructurados, con una puntuación de confianza por extracción.
Comprueba los valores con la página de origen citada.
Expórtalos o incorpóralos a listados y declaraciones.
Revisa los valores extraídos junto al documento del proveedor. La puntuación de confianza de la extracción y la evidencia de página y cita te ayudan a decidir qué comprobar primero; no garantizan que una especificación sea correcta.
El resultado son datos de producto estructurados en los que puedes confiar: nombres de campo coherentes, valores normalizados y un rastro de auditoría claro desde el punto de datos hasta el documento de origen.
Doc2Shelf extrae esos datos con IA. Identifica identificadores de producto, especificaciones, materiales, dimensiones y campos relevantes para el cumplimiento, los estructura de forma coherente y adjunta una puntuación de confianza a cada campo para que sepas qué verificar.
El resultado son datos de producto estructurados en los que puedes confiar: nombres de campo coherentes, valores normalizados y un rastro de auditoría claro desde el punto de datos hasta el documento de origen.
La extracción es la base de los pasos posteriores. Los mismos datos estructurados revisados pueden usarse para listados de Shopify y WooCommerce, borradores de texto revisables para eBay, borradores de declaraciones para la UE o EE. UU., contenido GPSR aplicable y JSON estructurado independiente orientado al DPP para su implementación posterior.
Exporta los datos estructurados en bruto como JSON o CSV si quieres utilizarlos en tus propios sistemas, o úsalos para preparar listados y borradores de declaraciones para su revisión.
Sube hasta 500 PDF a la vez, dentro de la asignación de documentos de tu plan, y deja que la canalización en segundo plano los extraiga en paralelo. Las extracciones reutilizadas y la estructura coherente mantienen la coherencia de los catálogos grandes, y la puerta de revisión mantiene la calidad alta antes de que se publique nada a continuación.
Doc2Shelf extrae datos de los archivos PDF que subes; no rastrea portales de proveedores ni obtiene documentos por ti. Puede leer PDF digitales y escaneados, aunque los escaneos de mala calidad reducen la confianza de la extracción, y un documento que abarque varios productos genera varios registros de producto.
Lo que puedes esperar obtener de un archivo depende del tipo de documento:
| Tipo de documento | Qué suele aportar | A tener en cuenta |
|---|---|---|
| Hojas de especificaciones y fichas técnicas | Números de modelo, dimensiones, valores nominales, materiales, normas aplicadas | Las tablas multimodelo requieren comprobar cada modelo |
| Fichas de datos de seguridad (FDS) | Clasificación de peligros, indicaciones H y P, palabra de advertencia, composición con números CAS | Datos de peligrosidad, no atributos de marketing; incluye un ajuste predefinido para FDS |
| Catálogos de productos | Muchos productos por archivo: nombres, variantes, especificaciones clave | Menos detalle por producto que una ficha técnica |
| Guías de etiquetado y diseños de etiquetas | Advertencias, cantidad neta, listas de ingredientes o INCI, marcados | La mejor fuente de lo que figura impreso en el envase |
| Declaraciones de conformidad y certificados | Directivas, normas, marcados, datos del fabricante | Se registran tal como figuran, sin comprobar su validez |
| Listas de embalaje y facturas | Pesos, dimensiones del paquete, unidades por envase, código HS, país de origen, cuando constan | Rara vez describen el producto en sí |
| Manuales de instrucciones | Uso previsto, advertencias, instrucciones de cuidado | Los datos clave están repartidos en muchas páginas |
Cada extracción devuelve registros de producto organizados en los mismos grupos de campos, sea cual sea el diseño del proveedor. Los grupos se corresponden directamente con el contenido que Doc2Shelf prepara a continuación, de modo que un valor comprobado una vez en la revisión se reutiliza en todos los lugares donde hace falta.
Junto con los campos estructurados, la extracción conserva sus evidencias: una lista de hechos con el número de página y una breve cita literal, cada tabla de datos reproducida fila por fila, los hechos que no encajan en ningún campo estándar y una lista de la información obligatoria que el documento no contenía. La información que sigue faltando al generar listados o borradores de declaraciones aparece como un marcador de posición [REQUIRED: …] en lugar de un valor inventado.
| Grupo de campos | Campos de ejemplo | Se utiliza en |
|---|---|---|
| Identidad | Nombre, marca, fabricante, número de modelo, GTIN/EAN; SKU solo cuando el documento indica uno | Título y especificaciones del listado; identificación del producto en los borradores de declaraciones |
| Partes | Fabricante, importador, distribuidor, persona responsable en la UE, direcciones | Bloque de información GPSR; borradores de declaraciones |
| Clasificación | Categoría, subcategoría, uso previsto, clasificación por edad | Tipo de declaración, tipo de producto, texto del listado |
| Medidas | Dimensiones, peso, volumen, unidades tal como figuran impresas | Especificaciones; datos de envío |
| Composición | Ingredientes en el orden impreso, alérgenos, valores nutricionales | Listados y borradores de alimentos, complementos alimenticios y cosméticos |
| Cumplimiento | Normas, directivas, certificaciones, marcados, referencias normativas | Borradores de declaraciones de la UE y EE. UU. |
| Seguridad | Advertencias, indicaciones de peligro y consejos de prudencia, palabra de advertencia, pictogramas | Información de seguridad en el bloque GPSR, cuando proceda |
| Embalaje y logística | Material de embalaje, códigos de reciclaje, unidades por envase, código HS, país de origen | Especificaciones; JSON estructurado orientado al DPP |
Cada extracción lleva una puntuación de confianza y una de completitud, con notas sobre salvedades como zonas ilegibles, valores ambiguos o la calidad del escaneo. Úsalas para decidir dónde mirar primero. Una puntuación alta no hace que un valor sea correcto, y una puntuación baja suele apuntar a un problema del documento (un escaneo deficiente, una tabla poco clara) que puede merecer la pena corregir en origen.
Nada de lo extraído se publica ni se exporta sin revisar. Cuando marcas el contenido como revisado, Doc2Shelf registra un hash del contenido; cualquier edición posterior cambia el hash e invalida la revisión, de modo que la publicación y la exportación permanecen bloqueadas hasta que alguien compruebe la versión modificada. Un orden de revisión práctico:
Sube hasta 500 PDF en un mismo lote, dentro de la asignación de documentos de tu plan, y la extracción se ejecuta en segundo plano. Las plantillas integradas centran la extracción en un tipo de documento (Etiqueta de alimentos, FDS / producto químico, Hoja de especificaciones de electrónica o Producto general), y puedes elegir áreas de interés, añadir instrucciones personalizadas, activar un modo de auditoría que captura cada hecho y cada fila de tabla con una cita y, según tu plan, guardar tus ajustes como plantilla para el siguiente proveedor.
Los valores se conservan en el idioma del documento, con las unidades exactamente como figuran impresas, de modo que nada se convierte en silencio entre la fuente y tu revisión. Una vez revisados, los datos salen de Doc2Shelf en el formato que necesita cada flujo de trabajo:
| Resultado | Formatos | Uso habitual |
|---|---|---|
| Datos de producto estructurados | JSON, CSV; DOCX según el plan | Tus propios sistemas, hojas de cálculo, importaciones a PIM |
| Listados de tienda | Productos en borrador de Shopify; productos simples en borrador de WooCommerce; exportación en CSV, JSON, PDF y DOCX | Publicación como borradores o revisión fuera de Doc2Shelf |
| Texto orientado a eBay para usuarios nuevos | CSV o JSON genérico, no un esquema de importación de eBay | Reutilización en tu propio flujo de eBay |
| Borradores de declaraciones | PDF, DOCX, etiquetas de declaración imprimibles | Finalización y aprobación por la parte responsable |
| Datos orientados al DPP | JSON estructurado como datos de preparación | Implementación posterior; no es un pasaporte terminado |
Las herramientas genéricas de PDF a hoja de cálculo y los motores de OCR resuelven una parte del problema: sacan texto y tablas de un archivo. Convertir ese texto en registros de producto —y esos registros en listados y borradores de cumplimiento— es la parte que te dejan a ti. La comparación siguiente se refiere al tipo de herramienta, no a ningún producto concreto.
Una herramienta genérica es la opción más sencilla cuando solo necesitas copiar una tabla limpia en una hoja de cálculo, o cuando procesas grandes volúmenes de un mismo formulario fijo. Doc2Shelf está pensado para el caso contrario: muchos proveedores, diseños variados y datos que deben acabar en listados y borradores de declaraciones. La guía para extraer datos de producto de PDF compara todos los métodos con más detalle.
| Funcionalidad | Analizador de tablas genérico | OCR independiente | Doc2Shelf |
|---|---|---|---|
| Páginas escaneadas | Normalmente necesita una capa de texto | Sí, es su finalidad principal | Sí; la calidad del escaneo afecta a la confianza |
| Resultado | Tablas o texto sin procesar | Texto | Registros de producto en grupos de campos con nombre |
| Valores escritos en frases | No se capturan como campos | Se capturan como texto sin formato | Asignados a campos cuando constan |
| Varios productos en un mismo PDF | Tú separas las filas | No se separan | Un registro por producto |
| Evidencia por valor | La propia tabla | Posición del texto | Número de página y cita breve |
| Información obligatoria que falta | No se señala | No se señala | Se enumera; aparece como marcador de posición en los borradores |
| Siguiente paso | Asignar las columnas a tu esquema | Analizar el texto tú mismo | Listados, borradores y exportaciones tras la revisión |
La extracción con IA puede omitir un valor, leerlo mal —sobre todo en escaneos de mala calidad, tablas densas o valores que solo aparecen en dibujos— o asignar un valor al modelo equivocado en una tabla de varios productos. Por eso existe la puerta de revisión y por eso la extracción conserva evidencias que puedes comprobar. Conoce estos límites antes de planificar una migración de catálogo:
Dimensiones, materiales, capacidades y números de modelo extraídos en campos.
Cada extracción recibe una puntuación de confianza y de completitud.
Cada valor enlaza con su lugar en el documento.
Exporta datos estructurados para su uso en tus propios sistemas.
Una sola extracción alimenta listados, borradores de declaraciones y datos orientados al DPP.
Hasta 500 documentos por lote, dentro de la asignación de tu plan.
La información obligatoria que falta en el documento se enumera, no se inventa.
Ajustes predefinidos integrados para etiquetas de alimentos, FDS, hojas de especificaciones de electrónica y productos generales.
Qué contiene una ficha técnica de producto, en qué se diferencia de una hoja de especificaciones o de una ficha de datos de seguridad y cómo reutilizarla en los listados.
Comparamos la entrada manual, las herramientas de tablas PDF, el análisis por plantillas y la extracción con IA, junto con las comprobaciones que mantienen precisas las especificaciones extraídas.
Define un esquema de atributos, extrae valores de descripciones y fichas técnicas, normaliza unidades con códigos UNECE y asigna los atributos a taxonomías.
Qué es una ficha de datos de seguridad, las 16 secciones de la FDS, normas de la UE y EE. UU., FDS frente a ficha técnica, y qué secciones alimentan los listados y los datos de envío.
Formatos de GTIN, dígitos de control, cómo obtener códigos de barras GS1, cuándo un cambio exige un GTIN nuevo y cómo los usan Google, eBay, Shopify y WooCommerce.
Cómo subir productos masivamente a Shopify con el CSV de productos, apps de importación o la Admin API, y cómo preparar datos limpios.
Cómo subir productos masivamente a WooCommerce con el importador CSV integrado, plugins o la API REST, y cómo preparar los datos.
Qué son las especificaciones del artículo en eBay, aspectos obligatorios frente a recomendados, límites de caracteres, identificadores de producto y cómo asignarles los datos del proveedor.
Completa un catálogo de WooCommerce a partir de PDF (descripciones, especificaciones e imágenes) y crea productos en borrador a través de la API sin mapeo de CSV.
Más informaciónConvierte documentos de proveedores en productos en borrador de Shopify (títulos, descripciones, imágenes y especificaciones) sin entrada manual de datos.
Más informaciónRedacta títulos, descripciones y viñetas editables para ecommerce, basados en los datos reales de tus PDF de producto.
Más informaciónGenera borradores de declaraciones de la UE y EE. UU., estructurados por categoría de producto, a partir de una sola carga de documento.
Más información