Leer archivos PDF

Puede leer y extraer por separado el contenido de .pdf archivos usando actividades que pueden leer todos los caracteres incluidos en el documento.

Dependiendo de sus necesidades, puede usar una actividad simple que pueda reconocer los caracteres, o usar una con un motor OCR. Las ventajas de utilizar un motor de OCR son que la lectura de documentos se puede aplicar incluso en documentos escaneados, firmados o escritos a mano.

El siguiente ejemplo presenta dos situaciones de lectura de un archivo .pdf :

1. El primero explica cómo leer el archivo .pdf mientras se utiliza la actividad Leer texto PDF.
2. El segundo explica cómo leer el archivo .pdf mientras se utiliza la actividad Leer PDF con OCR . La principal diferencia entre los dos escenarios es que el segundo también utiliza motores OCR, lo que significa que los detalles de la información extraída son más precisos que en el primer caso si el archivo analizado es una imagen, escaneada o incluye campos firmados o escritos a mano. Puedes encontrar ambas actividades en el paquete UiPath.PDF.Activities .

Solo se requiere un flujo de trabajo para ambos escenarios, común hasta el punto de pedir al usuario que elija el método de lectura deseado.

Pasos

1. Abre Studio y crea un nuevo Proceso.
2. Añade un contenedor de diagrama de flujo en el Diseñador de flujo de trabajo.
   1. Crea una variable llamada chooseOption, con el tipo ValorGenérico y sin valor predeterminado.
      Nota:

      Add your .pdf files to the project directory in order to be able to run the entire process from the same place or download this example in order to use the given file.

3. Añade una actividad de diálogo de entrada y conéctala al nodo de inicio.
   1. En el panel de propiedades, agrega la expresión "Choose one option below:" al campo Etiqueta.
   2. Add the expression {"Read PDF Text", "Read PDF With OCR"} in the Options field.
   3. Añade el valor "Options" en el campo Título.
   4. Agrega la variable chooseOption en el campo Resultado.
4. Añade una actividad de Decisión de flujo después de la actividad Diálogo de entrada y conéctala a ella.
   1. En el panel de propiedades, agrega la expresión chooseOption = "Read PDF Text" al campo Condición.
5. Añade un contenedor Secuencia y conéctalo a la rama Verdadero de la actividad de Decisión de flujo. El nombre de la Secuencia debe ser Leer texto PDF. Esta actividad extrae información utilizando expresiones regulares.

   1. Crear las variables mostradas en la siguiente tabla:

      Tabla 1. Variables que se crearán

      	Tipo de variable	Valor predeterminado
      extractedText	Cadena	N/D
      arrayText	System.String []	N/D
      address	ValorGenérico	N/D
      city	Cadena	N/D
      phoneNumber	Cadena	N/D
      invoiceNumber	Cadena	N/D
      vendor	ValorGenérico	N/D
      bankName	Cadena	N/D
      bankAccount	Cadena	N/D
      ibanCode	Cadena	N/D

6. Añade un contenedor Secuencia y conéctalo a la rama Falso de la actividad de Decisión de flujo. El nombre de la Secuencia debe ser Leer PDF con OCR. Esta actividad extrae información utilizando un motor OCR (Microsoft OCR y Tesseract OCR).

   1. Crear las variables mostradas en la siguiente tabla:

      Tabla 2. Variables que se crearán

      	Tipo de variable	Valor predeterminado
      extractedTextTesseract	Cadena	N/D
      extractedTextMicrosoft	Cadena	N/D

      Figura 1. Descripción general del principio del flujo de trabajo

      

7. Leer un archivo PDF utilizando la actividad Leer texto PDF:
   1. Abre el contenedor Leer secuencia de texto PDF seleccionándolo dos veces.
   2. Añade una actividad Leer texto PDF dentro de la secuencia.
      1. In the Properties panel, add the expression "NPO Invoice.pdf" in the FileName field.
      2. Add the value "All" in the Range field.
      3. Agrega la variable extractedText en el campo Texto.
8. Añade una actividad Asignar después de la actividad Leer texto PDF.
   1. Añade la variable arrayText en el campo Para.
   2. Agrega la expresión extractedText.Split(Environment.NewLine.ToArray, StringSplitOptions.RemoveEmptyEntries) en el campo Valor.
9. Agrega una actividad Si bajo la actividad Asignar.
   1. Añada la expresión arrayText(0).Equals("Tiefland Glass AG") en el campo Condición.
10. Añade una actividad Asignar dentro del contenedor Secuencia.
    1. Añade la variable address en el campo Para.
    2. Agrega la expresión arrayText(2) en el campo Valor.
11. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable city en el campo Para.
    2. Agrega la expresión arrayText(3).Split(","c)(0) en el campo Valor.
12. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable phoneNumber en el campo Para.
    2. Agrega la expresión arrayText(4).Split(":"c)(1).Split({"INVOICE"},StringSplitOptions.None)(0) en el campo Valor.
13. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable invoiceNumber en el campo Para.
    2. Agrega la expresión arrayText(4).Split(":"c)(1).Split({"INVOICE"},StringSplitOptions.None)(1).Split("#"c)(1) en el campo Valor.
14. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable vendor en el campo Para.
    2. Agrega la expresión arrayText(arrayText.Count-5) en el campo Valor.
15. Añade una actividad Asignar dentro del campo Si no.
    1. Añade la variable address en el campo Para.
    2. Agrega la expresión arrayText(1) en el campo Valor.
16. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable city en el campo Para.
    2. Agrega la expresión arrayText(2).Split(","c)(0) en el campo Valor.
17. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable phoneNumber en el campo Para.
    2. Agrega la expresión arrayText(3).Split(":"c)(1).Split({"INVOICE"},StringSplitOptions.None)(0) en el campo Valor.
18. Añade otra actividad Asignar y colócala después de la anterior.
    1. Añade la variable invoiceNumber en el campo Para.
    2. Agrega la expresión arrayText(3).Split(":"c)(1).Split({"INVOICE"},StringSplitOptions.None)(1).Split("#"c)(1) en el campo Valor.
19. Añade otra actividad Asignar y colócala después de la anterior.

    1. Añade la variable vendor en el campo Para.

    2. Agrega la expresión arrayText(arrayText.Count-5) en el campo Valor.

       Figura 2. Descripción general de la secuencia que contiene las actividades Asignar

       

20. Coloca una actividad Para cada después del contenedor Si.
    1. Add the variable arrayText in the Value field.
21. Añade una actividad Si dentro del contenedor Cuerpo de la actividad Para cada.
    1. Añada la expresión item.Contains("Bank Name:") en el campo Condición.
22. Añade una actividad Asignar dentro del campo Entonces.
    1. Añade la variable bankName en el campo Para.
    2. Agrega la expresión item.Split(":"c)(1) en el campo Valor.
23. Añade una actividad Si después de la anterior.
    1. Añada la expresión item.Contains("Bank Account:") en el campo Condición.
24. Añade una actividad Asignar dentro del campo Entonces.
    1. Añade la variable bankName en el campo Para.
    2. Agrega la expresión item.Split(":"c)(1) en el campo Valor.
25. Añade una actividad Si después de la anterior.
    1. Añada la expresión item.contains("IBAN Code:") en el campo Condición.
26. Añade una actividad Asignar dentro del campo Entonces.

    1. Añade la variable ibanCode en el campo Para.

    2. Agrega la expresión item.Split(":"c)(1) en el campo Valor.

       Figura 3. Descripción general de la actividad Para cada

       

27. Vuelve a la secuencia Leer texto PDF y añade una actividad Escribir archivo de texto debajo de la actividad Para cada.

    1. Add the value"InvoiceDetails.txt" in the FileName field.

    2. Añada la expresión "Invoice details"+Environment.NewLine+Environment.NewLine+"Vendor: "+vendor+Environment.NewLine+"Vendor address: "+address+Environment.NewLine+"City: "+city+Environment.NewLine+"Phone number:"+phoneNumber+Environment.NewLine+"Invoice number:"+invoiceNumber+Environment.NewLine+"Bank name:"+bankName+Environment.NewLine+"Bank account:"+bankAccount+Environment.NewLine+"IBAN Code:"+ibanCode en el campo Texto.

       Figura 4. Descripción general del contenedor Para cada

       

28. Return to the Main workflow working area.
29. Lee un archivo PDF utilizando la actividad Leer PDF con OCR.
    1. Abre el contenedor Leer PDF con secuencia OCR.
    2. Drag a Read PDF With OCR activity inside the sequence.
       1. Add the value "Invoice02.pdf" in the FileName field.
       2. In the Properties panel, add the value 1 in the DegreeOfParallelism field.
    3. Drag the Google OCR engine inside the Read PDF With OCR activity.
       1. En el panel propiedades, agrega la variable extractedTextTesseract en el campo Texto.
    4. Arrastra otra actividad Leer PDF con OCR y colócala después de la anterior.
       1. Add the value "Invoice02.pdf" in the FileName field.
       2. In the Properties panel, add the value 1 in the DegreeOfParallelism field.
    5. Drag the Microsoft OCR engine inside the Read PDF With OCR activity.
       1. In the Properties panel add the variable extractedTextMicrosoft in the Text field.
    6. Drag a Write Text File activity below the Read PDF With OCR activity.
       1. Add the value "OCRMicrosoft.txt" in the FileName field.
       2. Agrega la variable extractedTextMicrosoft en el campo Texto.
    7. Drag a Write Text File activity below the previous Write Text File activity.

       1. Add the value "OCRTesseract.txt" in the FileName field.

       2. Agrega la variable extractedTextTesseract en el campo Texto.

          Figura 5. Descripción general de la actividad Leer PDF con OCR

          

30. Ejecuta el proceso. El robot extrae los datos utilizando el proceso especificado y guarda la salida en un archivo .txt .

Consulta el siguiente enlace para descargar el ejemplo en formato ZIP : Ejemplo.