Guia
Como extrair dados de produto de PDFs
Os PDFs dos fornecedores contêm as especificações de que o seu catálogo precisa, mas não de uma forma que possa importar. Eis quatro maneiras de os transformar em dados de produto estruturados e como escolher entre elas.
Extrair dados de produto significa pegar nos valores impressos num documento — números de modelo, dimensões, materiais, capacidades, potências, avisos — e transformá-los em campos que um sistema consiga usar. Para um punhado de produtos, copiar à mão é suficiente. Para o catálogo de um fornecedor com centenas de SKUs e um layout de PDF diferente para cada fabricante, o método escolhido determina quanto tempo leva a integração e quantos erros chegam à sua loja.
Abaixo comparamos as quatro abordagens mais comuns e depois descrevemos as verificações que importam, seja qual for o método.
Comece pelo resultado: defina o esquema de produto
Antes de extrair o que quer que seja, decida de quais campos precisa e em que forma. O esquema de um pequeno eletrodoméstico pode incluir modelo, marca, EAN, largura/altura/profundidade em milímetros, peso em quilogramas, potência em watts, tensão, material, cor e avisos. Definir de antemão as unidades e os valores permitidos é o que torna os dados extraídos comparáveis entre fornecedores.
Se você vende em vários canais, associe cada campo aos nomes de atributo usados por esses canais (por exemplo, as opções de produto da Shopify ou os atributos do WooCommerce), para que o resultado da extração possa ser reutilizado sem outra rodada de reformatação.
Método 1: copiar e colar manualmente
Alguém abre o PDF e digita ou cola os valores numa planilha ou num formulário de produto. Não exige nenhuma ferramenta e serve para qualquer layout, e é por isso que a maioria das equipes começa por aqui.
Os custos crescem com o volume: é lento, a atenção dispersa-se e os erros de transcrição — um dígito trocado num número de modelo, um valor da coluna errada — são difíceis de detectar depois. A entrada manual funciona em catálogos pequenos ou como etapa de revisão sobre um método automatizado.
Método 2: ferramentas de extração de tabelas de PDF
As ferramentas de extração de tabelas (incluindo opções de código aberto e os recursos de exportação dos editores de PDF) detectam tabelas em PDFs digitais e exportam-nas para CSV ou Excel. São rápidas quando os dados realmente estão numa tabela limpa.
Têm dificuldades com valores escritos em texto corrido, células mescladas, tabelas de várias páginas e documentos digitalizados, e devolvem tabelas em bruto em vez de campos com nome — você ainda precisa associar as colunas ao seu esquema e limpar cabeçalhos, unidades e notas de rodapé.
Método 3: análise por modelo ou por zonas
Os analisadores baseados em modelos (templates) permitem definir, para um determinado layout, onde cada campo se encontra na página. Depois de configurado, todos os documentos exatamente nesse layout são extraídos de forma consistente, o que serve para grandes volumes de documentos idênticos, como faturas de um único remetente.
As fichas técnicas de fornecedores raramente são tão uniformes. Cada fabricante — e muitas vezes cada linha de produtos — precisa do seu próprio modelo, e os modelos deixam de funcionar quando o fornecedor muda o design. Em catálogos provenientes de muitos fornecedores, a manutenção depressa supera os ganhos.
Método 4: extração com IA
A extração com IA usa modelos de linguagem e de visão para ler o documento como uma pessoa faria: encontra o número do modelo esteja ele num cabeçalho, numa tabela ou numa frase, e devolve os campos do seu esquema com valores e unidades. Como não depende de posições fixas, uma única configuração consegue lidar com muitos layouts de fornecedores, incluindo páginas digitalizadas.
A contrapartida é que o resultado da IA tem de ser revisto. As boas ferramentas mostram um indicador de confiança e as provas da origem dos valores extraídos, para que os revisores se possam concentrar nos incertos, e deixam o campo vazio ou assinalado em vez de adivinhar quando o documento não o indica. A extração de dados de produto de PDF do Doc2Shelf atribui a cada extração uma pontuação de confiança e de completude e regista os factos extraídos com a respetiva página e uma citação curta; o registo revisto pode alimentar listagens e rascunhos de conformidade.
Como escolher um método
Uma regra prática:
- Menos de cerca de 20 produtos, ou acréscimos pontuais: entrada manual com um esquema claro.
- Tabelas digitais limpas, um ou dois fornecedores: uma ferramenta de extração de tabelas mais limpeza.
- Grandes volumes de um único layout idêntico: análise por modelo.
- Muitos fornecedores, layouts variados ou PDFs digitalizados: extração com IA com revisão humana.
Verificações que mantêm os dados extraídos precisos
Seja qual for o método, os mesmos problemas causam a maior parte dos erros. Incorpore estas verificações na sua etapa de revisão:
- Associação a modelos: quando uma folha abrange vários modelos, confirme que cada valor pertence à coluna do modelo correto.
- Unidades: normalize as unidades (mm vs cm, W vs kW) e mantenha a unidade em todos os valores numéricos.
- Notas de rodapé e condições: valores como capacidade ou autonomia dependem muitas vezes das condições de teste indicadas.
- Identificadores: verifique os dígitos de controle dos EAN/GTIN e os números de modelo caractere por caractere.
- Valores ausentes ou contraditórios: pergunte ao fornecedor em vez de deduzir um valor que não consta do documento.
- Rastreabilidade: mantenha o PDF de origem associado ao registro para que qualquer pessoa possa voltar a conferir um valor mais tarde.
Comparação lado a lado dos métodos de extração
Os quatro métodos acima diferem menos naquilo que conseguem ler do que naquilo que determina a sua exatidão e no esforço de configuração de que precisam. O OCR também faz parte da comparação, mas como camada e não como método: transforma uma página digitalizada em texto, e algum dos outros métodos continua a ter de converter esse texto em campos.
A exatidão nunca é uma propriedade do método isolado. Depende dos documentos que lhe fornece, da clareza com que o seu esquema define cada campo e da disciplina da etapa de revisão — razão pela qual vale a pena medi-la numa amostra dos seus próprios PDFs de fornecedores em vez de confiar em números publicados.
| Método | A exatidão depende de | Esforço de configuração | Resultado | Ideal para |
|---|---|---|---|---|
| Introdução manual | Atenção do revisor e um esquema claro | Nenhum | Campos com nome, tal como digitados | Catálogos pequenos; acrescentos pontuais; a etapa de revisão |
| Copiar e colar ou exportação de PDF para Excel | Uma camada de texto real e tabelas limpas, sem células mescladas | Baixo | Texto ou tabelas em bruto para associar à mão | Tabelas digitais limpas de um ou dois fornecedores |
| Análise por modelo ou por zonas | Todos os documentos mantêm um layout idêntico | Elevado por layout, e de novo quando os layouts mudam | Campos com nome | Grandes volumes de um único layout fixo |
| OCR | Resolução da digitalização, contraste, inclinação, tipos de letra, idioma | Baixo a médio | Apenas texto | Tornar as páginas digitalizadas legíveis para outro método |
| Extração com LLM | Clareza do esquema, qualidade do documento, disciplina de revisão | Baixo por layout; requer um fluxo de revisão | Campos com nome, com valores e unidades | Muitos fornecedores, layouts variados, texto corrido e tabelas misturados |
Como tratar tabelas de especificações e tabelas com várias variantes
A maior parte dos erros de extração em fichas técnicas ocorre em tabelas, e a maioria destes quando uma tabela descreve vários modelos. Uma tabela que parece óbvia a um leitor esconde uma estrutura que um analisador, ou uma pessoa cansada, pode interpretar mal: unidades que só aparecem no cabeçalho, células mescladas entre modelos, marcadores de notas de rodapé colados aos números e tabelas que continuam na página seguinte.
Percorra cada tabela de especificações numa ordem fixa antes de copiar qualquer valor para um registo:
- Identifique a orientação: os modelos ou variantes estão em colunas ou em linhas? Anote quantos são, para poder verificar o número de registos no final.
- Leia todas as linhas de cabeçalho, incluindo as unidades entre parênteses, e propague a unidade para cada célula dessa coluna ou linha.
- Expanda as células mescladas: um valor que abrange várias colunas de modelos aplica-se a cada um desses modelos, não apenas ao primeiro.
- Una de novo as tabelas divididas por várias páginas, verificando que o cabeçalho repetido não é lido como linha de dados e que nenhuma linha se perde na quebra de página.
- Separe os marcadores de notas de rodapé dos números — “1.1¹” é 1.1 com a nota de rodapé 1, não 1.11 — e guarde o texto da nota como condição desse valor.
- Distinga em branco, “—”, “n/d” e “opcional”: em branco significa desconhecido, um traço significa muitas vezes não aplicável, e nenhum dos dois deve passar a zero.
- Procure valores fora da tabela, como “todos os modelos: 230 V” por baixo dela, e aplique-os a todos os modelos que abrangem.
- Divida a tabela num registo por modelo ou variante e confirme que o número de registos coincide com o do passo 1.
PDFs digitalizados e qualidade do OCR
Comece por verificar se um PDF tem camada de texto: se conseguir selecionar ou pesquisar o texto, é digital; se não, é uma imagem e precisa de OCR antes de qualquer ferramenta de tabelas o conseguir ler. Quando um fornecedor envia uma digitalização, peça o original digital — elimina uma categoria inteira de erros. Se tiver de digitalizar por si, uma resolução de cerca de 300 dpi é uma recomendação comum para texto, e páginas direitas e de alto contraste contam tanto como a resolução.
Os erros de OCR são perigosos porque produzem resultados plausíveis. Os carateres que se confundem são previsíveis, e por isso as verificações também podem ser:
| Erro de OCR | Exemplo | Como detetá-lo |
|---|---|---|
| Letras e dígitos confundidos (O/0, l/1, S/5, B/8) | “AX-1OO” em vez de AX-100 | Verificações de padrão nos números de modelo; dígito de controlo do GTIN |
| Separador decimal perdido | “1,5 l” lido como “15 l” | Intervalo de plausibilidade por atributo |
| Nota de rodapé fundida com um número | “1.1¹ kg” lido como “1.11 kg” | Comparar com modelos irmãos; procurar o texto da nota de rodapé |
| Ordem de leitura errada | Duas colunas unidas numa só linha | Verificar o número de valores por modelo |
| Símbolos de unidades mal lidos | “°C” como “oC”, “µm” como “um” | Lista de unidades permitidas por atributo |
| Sinal de menos ou travessão perdido | “−20 °C” lido como “20 °C” | Verificar que o mínimo do intervalo é ≤ ao máximo |
Exemplo prático: uma ficha técnica transforma-se num registo estruturado
Eis como os passos acima se aplicam a uma ficha técnica ilustrativa de uma chaleira que abrange dois modelos numa só tabela. É um exemplo didático, não um produto real nem o resultado de uma extração medida. Cada linha de origem é associada a um campo, normalizada e verificada.
O resultado são dois registos de variante que partilham capacidade, potência e tensão, cada um com a sua própria cor, peso e identificador — mais duas questões em aberto para o fornecedor. Nada foi preenchido por suposição: o EAN do segundo modelo e o país de origem ficam vazios até o fornecedor os indicar. A normalização de valores e unidades entre muitos fornecedores, e não apenas numa ficha, é abordada no guia de atributos de produto.
| Linha de origem tal como impressa | Campo | Valor extraído | Verificação aplicada |
|---|---|---|---|
| Modelo: AX-100 | AX-100B | model_number | AX-100; AX-100B | Duas colunas, logo dois registos de variante |
| Capacidade 1,5 l (mesclada nos dois modelos) | capacity | 1.5 L para cada modelo | Vírgula decimal; célula mesclada copiada para ambos |
| Potência 1850–2200 W | rated_power | mín. 1850 W, máx. 2200 W | Mantida como intervalo, não como um único número |
| 220–240 V~ 50/60 Hz | rated_voltage; frequency | 220–240 V CA; 50/60 Hz | Uma linha, dois campos |
| Cor: aço escovado | preto | color | aço escovado; preto | Um valor por variante |
| Peso líquido (kg) 1.1¹ | 1.0¹ | net_weight | 1.1 kg; 1.0 kg | Unidade do cabeçalho; nota de rodapé ¹ “sem base” mantida |
| EAN 6291041500213 | — | gtin | 6291041500213; vazio | Dígito de controlo válido; pedir o EAN em falta |
| (não indicado) | country_of_origin | vazio | Pedir ao fornecedor; nunca inferido |
Modos de falha comuns e um fluxo de verificação
O mesmo punhado de características dos documentos causa a maioria dos erros de extração, seja qual for o método. Conhecê-las permite desenhar a revisão em função dos riscos reais, em vez de reler todos os valores com o mesmo cuidado.
- Confirme o documento: produto correto, revisão atual, todas as páginas presentes.
- Confira com a origem todos os identificadores (número de modelo, GTIN com o respetivo dígito de controlo) e todos os valores relevantes para a segurança — avisos, características elétricas, informações sobre perigos.
- Execute verificações automáticas no restante: unidades presentes, valores dentro de intervalos plausíveis, campos obrigatórios preenchidos.
- Faça verificações por amostragem dos restantes campos de cada fornecedor e alargue a amostra quando encontrar erros.
- Transforme as lacunas por resolver em perguntas ao fornecedor, em vez de estimativas.
- Guarde com o registo o PDF de origem, o revisor e a data da revisão.
| Modo de falha | O que corre mal | Prevenção |
|---|---|---|
| Unidades só nos cabeçalhos | Os números soltos perdem a unidade | Propagar as unidades do cabeçalho; rejeitar medições sem unidade |
| Notas de rodapé e condições de ensaio | “Típico”, “a 25 °C” ou “sem base” é omitido | Guardar as condições juntamente com o valor |
| Células mescladas | Valor atribuído apenas ao primeiro modelo | Expandir as células mescladas antes de dividir as variantes |
| Fichas técnicas multilingues | Vírgulas decimais mal lidas; o mesmo valor capturado duas vezes em dois idiomas | Leitura de números consoante o idioma; lista de sinónimos de cabeçalhos; eliminar duplicados |
| Vários produtos num só PDF | Valores associados ao produto errado | Um registo por produto; verificar cada número de modelo |
| Revisões desatualizadas | Uma ficha antiga contradiz a atual | Registar a data ou revisão do documento; dar preferência à mais recente |
| Valores apenas em desenhos ou imagens | As dimensões de um desenho técnico passam despercebidas | Verificar os desenhos; assinalar as dimensões em falta |
Perguntas frequentes
- Posso extrair dados de um PDF digitalizado?
- Sim, mas o texto precisa primeiro ser reconhecido com OCR (reconhecimento óptico de caracteres). As ferramentas de tabelas que só leem texto digital não devolvem nada de uma página digitalizada; as ferramentas com OCR e as baseadas em IA conseguem lê-la, exigindo mais cuidado com digitalizações de baixa qualidade.
- Como extraio atributos de produto de uma ficha técnica em PDF?
- Defina os atributos de que precisa (por exemplo, material, cor, capacidade) e depois retire os valores das tabelas e do texto da ficha técnica, manualmente ou com uma ferramenta de IA que associe células de tabelas e frases a campos. Trate com cautela os atributos indicados apenas em texto de marketing e confirme os valores técnicos nas tabelas de especificações.
- Em que formato devem estar os dados de produto extraídos?
- Use o que o seu sistema de destino importa — normalmente CSV para planilhas e importadores de lojas, ou JSON para APIs e sistemas PIM. Mantenha uma linha ou um objeto por variante de produto, com nomes de campo e unidades consistentes.
- A extração com IA é precisa o suficiente para publicar sem revisão?
- Não deve ser publicada sem revisão. A extração com IA elimina a maior parte da digitação, mas uma pessoa deve confirmar os campos incertos, os identificadores e tudo o que se relacione com segurança com base no documento de origem antes de os dados serem utilizados.
- Qual é a melhor forma de extrair tabelas de uma ficha técnica em PDF?
- Para tabelas digitais limpas, tanto uma ferramenta de extração de tabelas como uma ferramenta de extração com IA funcionam; as tabelas digitalizadas precisam primeiro de OCR. Seja qual for a ferramenta, expanda as células mescladas, propague as unidades do cabeçalho para cada valor, separe os marcadores de notas de rodapé dos números e divida as tabelas de vários modelos num registo por modelo.
- Qual é a exatidão da extração com IA de dados de produto de PDFs?
- Depende da qualidade do documento, da complexidade do layout e da clareza com que define os campos, pelo que não existe um valor de exatidão único que se aplique aos seus documentos. Meça-a por si: extraia uma amostra dos seus PDFs de fornecedores e compare cada campo com a origem, contando separadamente os valores errados e os em falta.
- Posso converter um catálogo em PDF num CSV para a minha loja?
- Sim. Extraia um registo por produto ou variante para um conjunto fixo de colunas, normalize unidades e valores e depois renomeie as colunas para corresponderem ao modelo de importação da sua loja. Um catálogo tem muitas vezes menos detalhe por produto do que as fichas técnicas individuais, pelo que deve contar com lacunas a preencher a partir de outras fontes.
- Como extraio dados de fichas técnicas noutros idiomas?
- Mantenha os valores tal como impressos durante a extração, leia os números segundo o idioma do documento (vírgulas decimais, separadores de milhares) e associe os cabeçalhos em língua estrangeira aos nomes dos seus campos com uma lista de sinónimos. Traduza o texto descritivo em separado e mande-o rever.