Guida
Come estrarre i dati di prodotto dai PDF
I PDF dei fornitori contengono le specifiche che servono al tuo catalogo, ma non in una forma importabile. Ecco quattro modi per trasformarli in dati di prodotto strutturati e come scegliere tra di essi.
Estrarre i dati di prodotto significa prendere i valori stampati in un documento (numeri di modello, dimensioni, materiali, capacità, valori nominali, avvertenze) e trasformarli in campi utilizzabili da un sistema. Per pochi prodotti, copiare a mano va bene. Per un catalogo fornitore con centinaia di SKU e un layout PDF diverso per ogni fabbricante, il metodo scelto determina quanto dura l’onboarding e quanti errori arrivano nel tuo negozio.
Qui sotto confrontiamo i quattro approcci più comuni, poi trattiamo i controlli che contano indipendentemente dal metodo.
Parti dal risultato: definisci lo schema di prodotto
Prima di estrarre qualsiasi cosa, decidi quali campi ti servono e in che forma. Lo schema per un piccolo elettrodomestico potrebbe includere modello, marca, EAN, larghezza/altezza/profondità in millimetri, peso in chilogrammi, potenza in watt, tensione, materiale, colore e avvertenze. Definire in anticipo unità e valori ammessi è ciò che rende i dati estratti confrontabili tra fornitori.
Se vendi su più canali, associa ogni campo ai nomi di attributo usati da quei canali (ad esempio le opzioni di prodotto di Shopify o gli attributi di WooCommerce), così l’output dell’estrazione può essere riutilizzato senza un ulteriore giro di riformattazione.
Metodo 1: copia e incolla manuale
Una persona apre il PDF e digita o incolla i valori in un foglio di calcolo o in una scheda prodotto. Non richiede strumenti e gestisce qualsiasi layout, ed è per questo che la maggior parte dei team parte da qui.
I costi crescono con il volume: è lento, l’attenzione cala e gli errori di trascrizione (una cifra scambiata in un numero di modello, un valore preso dalla colonna sbagliata) sono difficili da individuare in seguito. L’inserimento manuale funziona per cataloghi piccoli o come fase di revisione sopra un metodo automatico.
Metodo 2: strumenti per l’estrazione di tabelle PDF
Gli strumenti per l’estrazione di tabelle (comprese le opzioni open source e le funzioni di esportazione degli editor PDF) rilevano le tabelle nei PDF digitali e le esportano in CSV o Excel. Sono veloci quando i dati si trovano davvero in una tabella pulita.
Faticano con i valori scritti nel testo corrente, le celle unite, le tabelle su più pagine e i documenti scansionati, e restituiscono tabelle grezze anziché campi con nome: devi comunque associare le colonne al tuo schema e ripulire intestazioni, unità e note a piè di pagina.
Metodo 3: parsing a modelli o per zone
I parser basati su modelli ti permettono di definire, per un dato layout, dove si trova ciascun campo nella pagina. Una volta configurato, ogni documento con quel layout esatto viene estratto in modo coerente, il che si adatta a grandi volumi di documenti identici, come le fatture di un singolo mittente.
Le schede tecniche dei fornitori raramente sono così uniformi. Ogni fabbricante, e spesso ogni linea di prodotto, richiede un proprio modello, e i modelli si rompono quando il fornitore cambia grafica. Per i cataloghi provenienti da molti fornitori, la manutenzione supera presto i vantaggi.
Metodo 4: estrazione con AI
L’estrazione con AI usa modelli linguistici e di visione per leggere il documento come farebbe una persona: trova il numero di modello sia che si trovi in un’intestazione, in una tabella o in una frase, e restituisce i campi del tuo schema con valori e unità. Poiché non dipende da posizioni fisse, una sola configurazione può gestire molti layout di fornitori, comprese le pagine scansionate.
Il compromesso è che l’output dell’IA va rivisto. Gli strumenti validi mostrano un indicatore di attendibilità e l’evidenza della fonte per i valori estratti, così i revisori possono concentrarsi su quelli incerti, e lasciano un campo vuoto o segnalato anziché tirare a indovinare quando il documento non lo riporta. L’estrazione dei dati di prodotto dai PDF di Doc2Shelf assegna a ogni estrazione un punteggio di attendibilità e completezza e registra i fatti estratti con la relativa pagina e una breve citazione; il record revisionato può alimentare inserzioni e bozze di conformità.
Come scegliere un metodo
Una regola pratica:
- Meno di circa 20 prodotti, o aggiunte una tantum: inserimento manuale con uno schema chiaro.
- Tabelle digitali pulite, uno o due fornitori: uno strumento di estrazione delle tabelle più la pulizia dei dati.
- Grandi volumi con un unico layout identico: parsing a modelli.
- Molti fornitori, layout vari o PDF scansionati: estrazione con AI con revisione umana.
Controlli che mantengono accurati i dati estratti
Qualunque metodo usi, gli stessi problemi causano la maggior parte degli errori. Inserisci questi controlli nella fase di revisione:
- Associazione ai modelli: quando una scheda copre più modelli, verifica che ogni valore appartenga alla colonna del modello giusto.
- Unità di misura: normalizza le unità (mm o cm, W o kW) e mantieni l’unità con ogni valore numerico.
- Note e condizioni: valori come capacità o autonomia dipendono spesso da condizioni di prova dichiarate.
- Identificativi: verifica le cifre di controllo degli EAN/GTIN e i numeri di modello carattere per carattere.
- Valori mancanti o contrastanti: chiedi al fornitore invece di dedurre un valore che non è nel documento.
- Tracciabilità: mantieni il PDF di origine collegato al record, in modo che chiunque possa ricontrollare un valore in seguito.
Confronto affiancato dei metodi di estrazione
I quattro metodi sopra descritti differiscono meno per ciò che riescono a leggere che per ciò da cui dipende la loro accuratezza e per quanta configurazione richiedono. Anche l’OCR rientra nel confronto, ma come livello e non come metodo: trasforma una pagina scansionata in testo, e poi uno degli altri metodi deve ancora trasformare quel testo in campi.
L’accuratezza non è mai una proprietà del solo metodo. Dipende dai documenti che inserisci, dalla chiarezza con cui lo schema definisce ogni campo e dal rigore della fase di revisione: per questo conviene misurarla su un campione dei tuoi PDF dei fornitori anziché affidarsi a cifre pubblicate.
| Metodo | L’accuratezza dipende da | Impegno di configurazione | Output | Ideale per |
|---|---|---|---|---|
| Inserimento manuale | Attenzione del revisore e schema chiaro | Nessuno | Campi con nome, come digitati | Cataloghi piccoli; aggiunte una tantum; la fase di revisione |
| Copia-incolla o esportazione da PDF a Excel | Un vero livello di testo e tabelle pulite, senza celle unite | Basso | Testo grezzo o tabelle da mappare a mano | Tabelle digitali pulite di uno o due fornitori |
| Parsing basato su modelli o zone | Ogni documento con un layout identico | Alto per ogni layout, e di nuovo quando i layout cambiano | Campi con nome | Grandi volumi con un unico layout fisso |
| OCR | Risoluzione della scansione, contrasto, inclinazione, caratteri, lingua | Da basso a medio | Solo testo | Rendere leggibili le pagine scansionate per un altro metodo |
| Estrazione basata su LLM | Chiarezza dello schema, qualità dei documenti, rigore della revisione | Basso per ogni layout; richiede un flusso di revisione | Campi con nome, con valori e unità | Molti fornitori, layout vari, testo e tabelle misti |
Gestire le tabelle delle specifiche e le tabelle multi-variante
La maggior parte degli errori di estrazione nelle schede tecniche avviene nelle tabelle, e la maggior parte di questi quando una tabella descrive più modelli. Una tabella che a chi legge sembra ovvia nasconde una struttura che un parser o una persona stanca possono sbagliare: unità presenti solo nell’intestazione, celle unite su più modelli, richiami di nota attaccati ai numeri e tabelle che proseguono nella pagina successiva.
Esamina ogni tabella delle specifiche in un ordine fisso prima di copiare qualsiasi valore in un record:
- Individua l’orientamento: modelli o varianti sono nelle colonne o nelle righe? Annota quanti sono, così potrai verificare alla fine il numero di record.
- Leggi ogni riga di intestazione, comprese le unità tra parentesi, e riporta l’unità su ogni cella di quella colonna o riga.
- Espandi le celle unite: un valore esteso su più colonne di modelli vale per ciascuno di quei modelli, non solo per il primo.
- Ricongiungi le tabelle divise tra più pagine, verificando che l’intestazione ripetuta non venga letta come riga di dati e che nessuna riga vada persa all’interruzione di pagina.
- Separa i richiami di nota dai numeri — “1,1¹” è 1,1 con nota 1, non 1,11 — e salva il testo della nota come condizione di quel valore.
- Distingui vuoto, “—”, “n/d” e “facoltativo”: vuoto significa sconosciuto, un trattino spesso significa non applicabile, e nessuno dei due deve diventare zero.
- Cerca valori al di fuori della tabella, come “tutti i modelli: 230 V” sotto di essa, e applicali a ogni modello che coprono.
- Dividi la tabella in un record per modello o variante, poi verifica che il numero di record corrisponda a quello del passaggio 1.
PDF scansionati e qualità dell’OCR
Controlla innanzitutto se un PDF ha un livello di testo: se puoi selezionare o cercare il testo, è digitale; in caso contrario è un’immagine e richiede l’OCR prima che qualsiasi strumento per tabelle possa leggerlo. Quando un fornitore invia una scansione, chiedi l’originale digitale: elimina un’intera categoria di errori. Se devi scansionare tu stesso, una risoluzione di circa 300 dpi è una raccomandazione comune per il testo, e pagine dritte e ad alto contrasto contano quanto la risoluzione.
Gli errori dell’OCR sono pericolosi perché producono un output plausibile. I caratteri che vengono confusi sono prevedibili, e quindi possono esserlo anche i controlli:
| Errore dell’OCR | Esempio | Come individuarlo |
|---|---|---|
| Lettere e cifre confuse (O/0, l/1, S/5, B/8) | “AX-1OO” anziché AX-100 | Controlli di schema sui numeri di modello; cifra di controllo del GTIN |
| Separatore decimale perso | “1,5 l” letto come “15 l” | Intervallo di plausibilità per attributo |
| Richiamo di nota fuso in un numero | “1,1¹ kg” letto come “1,11 kg” | Confronto con i modelli affini; ricerca del testo della nota |
| Ordine di lettura errato | Due colonne unite in un’unica riga | Verifica del numero di valori per modello |
| Simboli delle unità letti male | “°C” come “oC”, “µm” come “um” | Elenco delle unità ammesse per attributo |
| Segno meno o trattino perso | “−20 °C” letto come “20 °C” | Verifica che il minimo dell’intervallo sia ≤ del massimo |
Esempio pratico: una scheda tecnica diventa un record strutturato
Ecco come i passaggi precedenti si applicano a una scheda tecnica illustrativa di un bollitore che riporta due modelli in un’unica tabella. È un esempio didattico, non un prodotto reale né il risultato di un’estrazione misurata. Ogni riga di origine viene associata a un campo, normalizzata e verificata.
Il risultato sono due record di variante che condividono capacità, potenza e tensione, ciascuno con il proprio colore, peso e identificativo, più due domande aperte per il fornitore. Nulla è stato compilato per supposizione: l’EAN del secondo modello e il paese di origine restano vuoti finché il fornitore non li fornisce. La normalizzazione di valori e unità tra molti fornitori, anziché in una sola scheda, è trattata nella guida sugli attributi di prodotto.
| Riga di origine come stampata | Campo | Valore estratto | Controllo applicato |
|---|---|---|---|
| Modello: AX-100 | AX-100B | model_number | AX-100; AX-100B | Due colonne, quindi due record di variante |
| Capacità 1,5 l (unita su entrambi i modelli) | capacity | 1,5 L per ogni modello | Virgola decimale; cella unita copiata su entrambi |
| Potenza 1850–2200 W | rated_power | min 1850 W, max 2200 W | Mantenuta come intervallo, non come un unico numero |
| 220–240 V~ 50/60 Hz | rated_voltage; frequency | 220–240 V CA; 50/60 Hz | Una riga, due campi |
| Colore: acciaio spazzolato | nero | color | acciaio spazzolato; nero | Un valore per variante |
| Peso netto (kg) 1,1¹ | 1,0¹ | net_weight | 1,1 kg; 1,0 kg | Unità dall’intestazione; nota ¹ “senza base” conservata |
| EAN 6291041500213 | — | gtin | 6291041500213; vuoto | Cifra di controllo valida; richiedere l’EAN mancante |
| (non indicato) | country_of_origin | vuoto | Da richiedere al fornitore; mai dedotto |
Modalità di errore comuni e un flusso di verifica
Quasi tutti gli errori di estrazione, indipendentemente dal metodo, sono causati dalle stesse poche caratteristiche dei documenti. Conoscerle permette di progettare la revisione sui rischi reali anziché rileggere ogni valore con la stessa cura.
- Conferma il documento: prodotto giusto, revisione attuale, tutte le pagine presenti.
- Controlla rispetto alla fonte ogni identificativo (numero di modello, GTIN con la sua cifra di controllo) e ogni valore rilevante per la sicurezza: avvertenze, valori elettrici, informazioni sui pericoli.
- Esegui controlli automatici sul resto: unità presenti, valori entro intervalli plausibili, campi obbligatori compilati.
- Verifica a campione i restanti campi per ciascun fornitore e amplia il campione quando trovi errori.
- Trasforma le lacune irrisolte in domande al fornitore anziché in stime.
- Conserva con il record il PDF di origine, il revisore e la data di revisione.
| Modalità di errore | Che cosa va storto | Prevenzione |
|---|---|---|
| Unità solo nelle intestazioni | I numeri nudi perdono la loro unità | Riportare le unità dell’intestazione su ogni valore; rifiutare le misure senza unità |
| Note a piè di pagina e condizioni di prova | “Tipico”, “a 25 °C” o “senza base” vengono persi | Salvare le condizioni insieme al valore |
| Celle unite | Valore assegnato solo al primo modello | Espandere le celle unite prima di dividere le varianti |
| Schede tecniche multilingue | Virgole decimali lette male; lo stesso valore acquisito due volte in due lingue | Interpretazione dei numeri in base alla lingua; elenco di sinonimi delle intestazioni; deduplicazione |
| Più prodotti in un unico PDF | Valori associati al prodotto sbagliato | Un record per prodotto; controllare ogni numero di modello |
| Revisioni obsolete | Una scheda vecchia contraddice quella attuale | Registrare data o revisione del documento; preferire la più recente |
| Valori presenti solo in disegni o immagini | Le dimensioni di un disegno tecnico vengono ignorate | Controllare i disegni; segnalare le dimensioni mancanti |
Domande frequenti
- Posso estrarre dati da un PDF scansionato?
- Sì, ma il testo va prima riconosciuto con l’OCR (riconoscimento ottico dei caratteri). Gli strumenti per tabelle che leggono solo testo digitale non restituiranno nulla da una pagina scansionata; gli strumenti con OCR e quelli basati su AI possono leggerla, con maggiore attenzione richiesta per le scansioni di bassa qualità.
- Come estraggo gli attributi di prodotto da una scheda tecnica in PDF?
- Definisci gli attributi che ti servono (ad esempio materiale, colore, capacità), poi ricava i valori dalle tabelle e dal testo della scheda, manualmente o con uno strumento IA che associa celle di tabella e frasi ai campi. Tratta con cautela gli attributi indicati solo nei testi di marketing e conferma i valori tecnici con le tabelle delle specifiche.
- In che formato devono essere i dati di prodotto estratti?
- Usa quello che importa il tuo sistema a valle: di solito CSV per fogli di calcolo e importatori dei negozi, oppure JSON per API e sistemi PIM. Mantieni una riga o un oggetto per variante di prodotto, con nomi di campo e unità coerenti.
- L’estrazione con AI è abbastanza accurata da pubblicare senza revisione?
- Non dovrebbe essere pubblicata senza revisione. L’estrazione con AI elimina la maggior parte della digitazione, ma una persona dovrebbe confermare con il documento di origine i campi incerti, gli identificativi e tutto ciò che riguarda la sicurezza prima che i dati vengano utilizzati.
- Qual è il modo migliore per estrarre le tabelle da una scheda tecnica in PDF?
- Per tabelle digitali pulite funzionano sia uno strumento di estrazione di tabelle sia uno strumento di estrazione IA; le tabelle scansionate richiedono prima l’OCR. Qualunque sia lo strumento, espandi le celle unite, riporta le unità dell’intestazione su ogni valore, separa i richiami di nota dai numeri e dividi le tabelle multi-modello in un record per modello.
- Quanto è accurata l’estrazione IA dei dati di prodotto dai PDF?
- Dipende dalla qualità del documento, dalla complessità del layout e dalla chiarezza con cui definisci i campi, quindi non esiste una cifra di accuratezza unica valida per i tuoi documenti. Misurala tu stesso: estrai un campione dei tuoi PDF dei fornitori e confronta ogni campo con la fonte, contando separatamente i valori errati e quelli mancanti.
- Posso convertire un catalogo PDF in un CSV per il mio negozio?
- Sì. Estrai un record per prodotto o variante in un insieme fisso di colonne, normalizza unità e valori, poi rinomina le colonne in modo che corrispondano al modello di importazione del tuo negozio. Un catalogo spesso contiene meno dettagli per prodotto rispetto alle singole schede tecniche, quindi aspettati lacune da colmare con altre fonti.
- Come estraggo i dati da schede tecniche in altre lingue?
- Durante l’estrazione mantieni i valori come stampati, interpreta i numeri secondo le convenzioni della lingua del documento (virgole decimali, separatori delle migliaia) e associa le intestazioni in lingua straniera ai nomi dei tuoi campi con un elenco di sinonimi. Traduci separatamente i testi descrittivi e falli rivedere.