Extraia especificações e dados de produtos de PDFs de fornecedores

Extração rastreável e com pontuação de confiança

Reveja os valores extraídos em paralelo com o documento do fornecedor. A pontuação de confiança da extração e a evidência de página e citação ajudam a decidir o que verificar primeiro; não são uma garantia de que uma especificação esteja correta.

O resultado são dados de produtos estruturados nos quais você pode confiar: nomes de campos consistentes, valores normalizados e uma trilha de auditoria clara do ponto de dados até o documento de origem.

Especificações e atributos

O Doc2Shelf extrai esses dados com IA. Ele identifica identificadores de produtos, especificações, materiais, dimensões e campos relevantes para conformidade, estrutura-os de forma consistente e anexa uma pontuação de confiança a cada campo para que você saiba o que verificar.

O resultado são dados de produtos estruturados nos quais você pode confiar: nomes de campos consistentes, valores normalizados e uma trilha de auditoria clara do ponto de dados até o documento de origem.

Do PDF a listagens de produtos, rascunhos de declarações e dados orientados para o DPP

A extração é a base das etapas posteriores. Os mesmos dados estruturados revistos podem apoiar listagens no Shopify e WooCommerce, rascunhos de texto do eBay para revisão, rascunhos de declarações da UE/dos EUA, conteúdo GPSR aplicável e JSON estruturado separado orientado para o DPP para implementação posterior.

Exporte os dados estruturados em bruto como JSON ou CSV se quiser utilizá-los nos seus próprios sistemas, ou utilize-os para preparar listagens e rascunhos de declarações para revisão.

Feito para escala

Carregue até 500 PDF de uma só vez, dentro do limite de documentos do seu plano, e deixe o pipeline em segundo plano extraí-los em paralelo. As extrações reutilizadas e a estrutura consistente mantêm coerentes os catálogos grandes, e a etapa de revisão garante a qualidade antes de qualquer publicação posterior.

Que documentos de fornecedores funcionam melhor

O Doc2Shelf extrai dos ficheiros PDF que carrega; não percorre portais de fornecedores nem obtém documentos por si. Tanto PDF digitais como digitalizados podem ser lidos, embora digitalizações de má qualidade reduzam a confiança da extração, e um documento que abranja vários produtos gera vários registos de produto.

O que pode esperar obter de um ficheiro depende do tipo de documento:

O que é extraído e onde é utilizado

Cada extração devolve registos de produto organizados nos mesmos grupos de campos, seja qual for o formato do fornecedor. Os grupos correspondem diretamente ao conteúdo que o Doc2Shelf prepara a seguir, pelo que um valor verificado uma vez na revisão é reutilizado em todos os locais onde é necessário.

Além dos campos estruturados, a extração guarda a sua evidência: uma lista de factos com o número da página e uma citação textual curta, todas as tabelas de dados reproduzidas linha a linha, factos que não se enquadram em nenhum campo padrão e uma lista da informação obrigatória que o documento não continha. A informação que continue em falta quando as listagens ou os rascunhos de declarações são gerados aparece como um marcador [REQUIRED: …] em vez de um valor inventado.

Pontuações de confiança, evidência e etapa de revisão

Cada extração tem uma pontuação de confiança e uma pontuação de completude, com notas sobre ressalvas como zonas ilegíveis, valores ambíguos ou qualidade da digitalização. Utilize-as para decidir onde olhar primeiro. Uma pontuação elevada não torna um valor correto, e uma pontuação baixa aponta normalmente para um problema do documento — uma digitalização fraca, uma tabela pouco clara — que pode valer a pena corrigir na origem.

Nada do que é extraído é publicado ou exportado sem revisão. Quando marca o conteúdo como revisto, o Doc2Shelf regista um hash do conteúdo; qualquer edição posterior altera o hash e invalida a revisão, pelo que a publicação e a exportação permanecem bloqueadas até alguém verificar a versão alterada. Uma ordem de revisão prática:

• Comece pelos documentos com menor confiança ou completude.
• Verifique primeiro os identificadores e os valores relevantes para a segurança face à evidência citada.
• Confirme que cada valor de uma tabela com vários modelos está associado ao produto certo.
• Resolva os dados em falta sinalizados junto do fornecedor, em vez de os preencher.
• Marque o conteúdo como revisto e volte a rever após qualquer edição.

Extração em lote e formatos de saída

Carregue até 500 PDF num único lote, dentro do limite de documentos do seu plano, e a extração decorre em segundo plano. Os modelos integrados orientam a extração para um tipo de documento — Rótulo alimentar, SDS / produto químico, Ficha de especificações de eletrónica ou Produto geral — e pode escolher áreas de foco, acrescentar instruções personalizadas, ativar um modo de auditoria que regista todos os factos e linhas de tabela com uma citação e, consoante o seu plano, guardar as suas definições como modelo para o fornecedor seguinte.

Os valores são mantidos no idioma do documento, com as unidades exatamente como impressas, de modo que nada é convertido silenciosamente entre a origem e a sua revisão. Depois de revistos, os dados saem do Doc2Shelf no formato de que cada fluxo de trabalho precisa:

Em que difere dos analisadores de PDF genéricos e das ferramentas de OCR

As ferramentas genéricas de PDF para folha de cálculo e os motores de OCR resolvem parte do problema: extraem texto e tabelas de um ficheiro. Transformar esse texto em registos de produto — e esses registos em listagens e rascunhos de conformidade — é a parte que deixam consigo. A comparação abaixo diz respeito ao tipo de ferramenta, não a um produto específico.

Uma ferramenta genérica é a escolha mais simples quando só precisa de copiar uma tabela limpa para uma folha de cálculo, ou quando processa grandes volumes de um único formulário fixo. O Doc2Shelf foi concebido para o caso oposto: muitos fornecedores, formatos variados e dados que têm de acabar em listagens e rascunhos de declarações. O guia sobre como extrair dados de produto de PDF compara todos os métodos com mais pormenor.

Qualidade dos dados e limites

A extração por IA pode falhar um valor, lê-lo mal — sobretudo em digitalizações fracas, tabelas densas ou valores mostrados apenas em desenhos — ou associar um valor ao modelo errado numa tabela com vários produtos. É por isso que existe a etapa de revisão e que a extração guarda evidência que pode verificar. Conheça estes limites antes de planear uma migração de catálogo:

• Extrai apenas o que o documento indica; não procura valores em falta noutros locais nem os estima.
• As unidades e os valores são mantidos como impressos. Converter unidades e normalizar listas de valores para os seus canais faz parte da sua revisão; o guia sobre atributos de produto explica como.
• Um SKU só é captado quando o documento o indica explicitamente, nunca derivado de um nome de ficheiro ou de um número de modelo.
• As normas, marcações e referências de certificados são registadas tal como indicadas. O Doc2Shelf não ensaia produtos, não avalia a conformidade nem verifica certificados.
• O texto permanece no idioma do documento; a tradução de listagens é um passo separado que produz rascunhos prontos para revisão.
• Os carregamentos são ficheiros PDF; outros formatos têm de ser guardados primeiro como PDF.