document-understanding
latest
false
Guía del usuario de Document Understanding
Automation CloudAutomation Cloud Public SectorAutomation SuiteStandalone
Last updated 1 de nov. de 2024

Visión general de digitalización

Qué es digitalización

Digitization is the process of obtaining machine readable text from a given incoming file, so that a robot can then understand its contents and act upon them. It is the first step applied on files that need to be processed through the Document UnderstandingTM framework.

El paso de digitalización tiene dos salidas:

  • el texto del archivo procesado, almacenado en una variable de string, y
  • el modelo de objeto de documento de ese archivo: objeto JSON que contiene información básica como el nombre, el tipo de contenido, la longitud del texto, el número de páginas, así como información detallada como la rotación de la página, el idioma detectado, el contenido y las coordenadas de cada palabra identificada en el archivo.

En el marco de procesamiento de documentos, la digitalización se realiza mediante la actividad Digitalizar documento.

Qué no es digitalización

Aunque esté relacionado, el paso de digitalización no es OCR.

En muchos casos, los archivos que hay que procesar son archivos PDF nativos (no escaneados), que el robot puede leer de forma programada sin aplicar el OCR.

Cuándo se usa el OCR en la digitalización

La actividad Digitalizar documento requiere, como parte de su configuración, la selección de un motor de OCR para que, en caso de necesidad, se pueda utilizar; pero solo ejecuta el OCR en:

  • archivos que sean imágenes
    • los formatos de imágenes admitidos son .png, .jpe, .jpg, .jpeg, .tiff, .tif, .bmp
    • en los archivos TIFF de varias páginas, el OCR se aplica a cada página
  • páginas en PDF que
    • no exponen ningún contenido legible por máquina
    • contienen imágenes que cubren un área significativa de la página.
Nota: Se aplican las siguientes limitaciones de digitalización:
  • Hay un límite de tamaño de archivo de 160 MB.
  • Hay un límite máximo de 500 páginas por documento.

El OCR también se aplica, siempre, si la actividad Digitalizar documento está configurada con el indicador ForzarAplicaciónOCR establecido como Verdadero. Esta opción suele recomendarse para casos de uso en los que un porcentaje significativo de archivos parece tener contenido nativo, pero el contenido leído de forma nativa no se corresponde con lo que un usuario puede ver en esos archivos.

Cómo elegir el motor de OCR

Como cada caso de uso tiene sus propias particularidades, se recomienda encarecidamente probar todos los motores OCR disponibles con diferentes configuraciones para determinar cuál funciona mejor para tu proyecto. Otra recomendación es prestar especial atención a los argumentos del motor de OCR, como el perfil, la escala, el idioma, etc. (pueden variar de un motor a otro), de modo que se identifique la mejor configuración para cada caso de uso.

  • Qué es digitalización
  • Qué no es digitalización
  • Cuándo se usa el OCR en la digitalización
  • Cómo elegir el motor de OCR

¿Te ha resultado útil esta página?

Obtén la ayuda que necesitas
RPA para el aprendizaje - Cursos de automatización
Foro de la comunidad UiPath
Uipath Logo White
Confianza y seguridad
© 2005-2024 UiPath. Todos los derechos reservados.