Вы собираете 200 заполненных заявок на работу в формате PDF. Каждая форма имеет одинаковые поля: имя, адрес электронной почты, телефон, должность, дата начала, ожидаемая зарплата. Вам нужны все 200 ответов в одной электронной таблице Excel, где каждый кандидат будет представлен в виде строки, а каждое поле — в виде столбца. Открытие каждого PDF-файла вручную, чтение значений полей и ввод их в Excel заняло бы целый рабочий день. Одна-единственная опечатка в адресе электронной почты или номере телефона может означать потерю контакта с заявителем.
Автоматическое извлечение данных из заполняемых форм PDF в Excel — это рабочий процесс извлечения данных, который считывает значения полей формы и записывает их в электронную таблицу. Этот процесс быстрый, точный и исключает ошибки транскрипции. При извлечении данные считываются непосредственно из полей формы PDF.
Как работает извлечение данных из PDF-форм
Заполняемые PDF-формы хранят данные в именованных полях. Каждое поле имеет имя, например имя или адрес электронной почты, а также значение, введенное пользователем. При извлечении данных считываются имена и значения полей и экспортируются их в структурированный формат. Имена полей становятся заголовками столбцов в электронной таблице. Каждый PDF-файл становится одной строкой данных. Значения заполняют ячейки под соответствующими столбцами.
Функция извлечения данных из форм PDF в Excel WukongPDF обрабатывает несколько PDF-файлов в пакетном режиме. Загрузите все 200 заполненных форм. Инструмент считывает имена полей и значения из каждой формы. Он генерирует электронную таблицу с одной строкой в каждой форме. Каждое поле становится столбцом. При извлечении данные сохраняются в том виде, в котором они были введены. При этом не требуется никакого оптического распознавания текста, никаких ошибок распознавания символов, поскольку данные были введены в поля цифровой формы.
Предварительные условия для чистого извлечения данных
Формы должны представлять собой заполняемые PDF-файлы с реальными полями формы. Отсканированные формы, заполненные вручную, а затем отсканированные, не содержат данных полей формы. Они требуют OCR, который менее точен и приводит к ошибкам распознавания. Прежде чем настраивать рабочий процесс извлечения, откройте одну из заполненных форм и проверьте, можете ли вы нажать на заполненный текст и отредактировать его. Если можете, в форме есть живые поля формы. Если текст является частью изображения страницы, форма сканируется и вместо этого требует распознавания.
Имена полей в форме PDF определяют заголовки столбцов в электронной таблице. Если в разных версиях формы используются разные имена полей, извлеченная электронная таблица будет содержать несколько столбцов для одних и тех же данных. Стандартизируйте шаблон формы перед его распространением. Используйте одинаковые имена полей во всех копиях. Эта предварительная стандартизация окупается на этапе извлечения благодаря чистой и единообразной электронной таблице.
Обработка извлеченных данных
Откройте извлеченную таблицу и просмотрите данные. Проверьте наличие пропущенных значений, если поле формы осталось пустым. Проверьте несогласованное форматирование, например номера телефонов, введенные как 555-123-4567 в некоторых формах и 5551234567 в других. Очистите данные с помощью функций Excel. Разделите полные имена на столбцы имени и фамилии, если форма собрала их в одном поле. Подтвердите адреса электронной почты, проверив наличие знака @.
Добавьте номер строки или столбец уникального идентификатора, если в форме его нет. Этот идентификатор позволяет вам отследить определенную строку в электронной таблице до исходной формы PDF. Если ввод данных выглядит подозрительно, вы можете открыть исходный PDF-файл этого заявителя, проверить значение поля и при необходимости исправить электронную таблицу.
Масштабирование рабочего процесса для повторяющегося использования
Если вы регулярно собираете ответы в формате PDF, создайте шаблон Excel, в который будут передаваться извлеченные данные. Настройте формулы, сводные таблицы, диаграммы и форматирование в шаблоне. Каждый период извлекайте новые данные формы и вставляйте их в таблицу данных шаблона. Формулы и диаграммы обновляются автоматически. Шаблон исключает повторяющуюся работу по воссозданию анализа для каждого пакета ответов. Рабочий процесс Extract PDF Data, который в первый раз занял несколько часов, каждый последующий раз занимает несколько минут.
После извлечения заархивируйте исходные PDF-формы. Электронная таблица удобна для анализа. PDF-файлы являются оригинальными записями. Если возникает какой-либо вопрос по поводу данных, исходная форма дает авторитетный ответ. Для организаций, которые собирают ответы в формате PDF от внешних пользователей, рабочий процесс проверки данных после извлечения выявляет наиболее распространенные ошибки пользователей до того, как данные попадут в последующие системы. Проверьте адреса электронной почты без знака @, который указывает на то, что пользователь ввел неверный адрес. Проверьте, нет ли слишком коротких или слишком длинных телефонных номеров. Проверьте обязательные поля, которые остались пустыми. Помечайте эти записи для дальнейших действий, а не молча импортируйте неверные данные. Несколько минут проверки после извлечения предотвращают последующие часы очистки, когда неверные данные попадают в отчеты, базы данных и средства связи. При построении повторяющегося конвейера данных формы задокументируйте сопоставление полей: какие имена полей PDF соответствуют каким столбцам в вашей базе данных или электронной таблице. Имена полей формы, такие как FName или Q1_Answer, могут не совпадать с именами столбцов вашей системы, такими как FirstName или SatisfactionRating. Создайте таблицу сопоставления, которая преобразует имена полей PDF в имена системных столбцов. Применяйте это сопоставление каждый раз, когда вы извлекаете данные. Таблица сопоставления также служит документацией для будущих членов команды, которым необходимо понять, как данные формы поступают в системы организации. Для форм, содержащих необязательные поля, при извлечении будут созданы пустые ячейки для полей, которые пользователь оставил пустыми. Чтобы отличить намеренно пустые поля от отсутствующих данных, добавьте столбец проверки, который проверяет, заполнены ли обязательные поля. Отсутствующий адрес электронной почты в обязательном поле электронной почты требует дальнейших действий. Отсутствие отчества в необязательном поле — это нормально. Флаги проверки направляют ваши последующие действия на записи, требующие внимания. Таблица сопоставления также служит документацией для будущих членов команды, которым необходимо понять, как данные формы поступают в системы организации.