Visión general de taxonomía

¿Qué es la taxonomía?

La taxonomía son los metadatos que el marco Document Understanding considera en cada uno de sus pasos.

Una taxonomía es una colección de tipos de documentos.
- Un tipo de documento es la definición de un tipo lógico de documento que debe ser gestionado por diferentes procesos empresariales. Algunos ejemplos de tipos de documentos son las facturas, los historiales médicos, los formularios de Hacienda, los contratos, etc. Un tipo de documento, además de un nombre, un grupo y una categoría (para facilitar su gestión), suele contener una colección de campos.
  - Un campo es información que está previsto encontrar y recopilar de un tipo de documento específico.

Como ya hemos visto, una taxonomía es una estructura jerárquica que contiene el esquema de la información que utilizará el marco Document Understanding en todo momento. Cada definición de entidad (para tipos de documentos o campos) que se encuentra en la taxonomía tiene un ID único.

¿Cómo ayuda en la clasificación de documentos?

Si deseas clasificar los archivos entrantes en diferentes tipos de documentos, la taxonomía debe contener los tipos de documentos que deseas tratar específicamente. Estos te permitirán configurar los procesos de Document Understanding basándose en un esquema de datos uniforme: la estructura de la taxonomía.

¿Cómo ayuda en la extracción de datos?

Si deseas extraer datos de determinados tipos de documentos, la taxonomía contendrá la lista de campos a los que se dirige la extracción automática de datos. Estos permitirán la configuración de varios métodos y reglas de extracción, de nuevo, basados en un único esquema de datos real: la estructura del tipo de documento.

Tipos de campo y detalles

Un campo puede tener partes derivadas: información formateada extraída o editada a partir del valor textual subyacente que se encuentra en un documento.

Tipo de campo	Permite multivalor	Propósito	Piezas derivadas para el formato	Información adicional
Texto	Sí	Información textual	N/D	N/D
Número	Sí	Valores numéricos	Valor	N/D
Fecha	Sí	Fechas	Día Mes Año	Los campos de fecha permiten la definición de un formato esperado, que debe ser una cadena de formato de fecha compatible con MSDN (por ejemplo, `dd-MM-yyyy` o `MM, dd, yyyy`). Este formato lo utiliza la actividad Ámbito de extracción de datos al intentar analizar una fecha en sus partes correspondientes al día, mes y año.
Nombre	Sí	Nombres de personas	Nombre propio Segundo nombre Apellidos	N/D
Address	Sí	Direcciones	Línea de dirección 1 Línea de dirección 2 Línea de dirección 3 Ciudad Estado/Condado/Provincia País Código postal	N/D
ESTABLECER	Sí	Definir una lista de posibles valores de un conjunto predefinido	N/D	Un campo Establecer debe definir las opciones permitidas como valores. Estos se reflejan en la estación de validación.
Booleano	Sí	Valores Sí/No	N/D	Un campo booleano solamente puede tener el valor Sí o No, y se refleja en la estación de validación.
Tabla	No	Datos tabulares	N/D	Los campos Tabla contienen la definición de las columnas.
Columna de tabla	No	Cada celda de la tabla.	N/D	Las columnas de una tabla se definen como uno de los campos regulares de la lista de componentes. No pueden ser de tipo Tabla.

Otra información capturada en la taxonomía

La taxonomía también contiene la lista de grupos y categorías, así como una colección de idiomas admitidos que pueden asociarse a los documentos procesados. Por ejemplo, para procesar documentos en japonés e inglés, la etiqueta Idiomas admitidos debe contener el nombre y código de idioma respectivos. Se recomienda añadir un idioma indeterminado (código und) para admitir casos excepcionales.

Métodos de extensión de taxonomía

Serialize()

Si se llama en un objeto DocumentTaxonomy, el método Serialize() devuelve una representación del objeto JSON, de modo que pueda almacenarse y recuperarse para su uso posterior.

Deserialize(String)

La extensión estática DocumentTaxonomy.Deserialize(jsonString) devuelve un objeto DocumentTaxonomy, dotado de los datos codificados en JSON que se han pasado como parámetro.

GetFields(String)

Si se llama en un objeto DocumentTaxonomy , el método GetFields() llamado con una cadena DocumentTypeId devuelve una lista de campos definidos en ese tipo de documento.

Cómo crear y editar la taxonomía de un proyecto

Una vez instalado el paquete UiPath.IntelligentOCR.Activities en el proyecto UiPath Studio, aparecerá el botón Gestor de taxonomía en la cinta principal de la pestaña de diseño de Studio. Utiliza el asistente del Gestor de taxonomía para editar la taxonomía del proyecto.

La Taxonomía se almacena en un archivo dentro del proyecto UiPath Studio, en la carpeta DocumentProcessing y en el archivo taxonomy.json.

El archivo se crea automáticamente cuando se abre por primera vez el asistente del Gestor de taxonomía. Puedes ver la ubicación exacta del archivo en el Gestor de taxonomía pasando el ratón por encima del botón . También, cada vez que abras el Gestor de taxonomía, aparecerá un mensaje emergente en la esquina superior derecha que te informará de la ubicación del archivo. Cuando se publica un proyecto desde Studio, la taxonomía se publicará, así como un artefacto del proyecto.

El archivo taxonomy.json es único para cada proyecto, aunque se puede reutilizar si se copia manualmente en un nuevo proyecto. Para ello, basta con crear un nuevo proyecto, luego ir a la carpeta del proyecto y copiar el archivo con la taxonomía deseada en la ubicación correcta (en la carpeta DocumentProcessing).

Importante: Por motivos de integridad de los datos, te recomendamos editar siempre la taxonomía utilizando el Gestor de taxonomía.

Cómo utilizar la taxonomía en un proyecto

La taxonomía para document understanding se requiere como un objeto en todo el marco Document Understanding.

La forma más sencilla y práctica de cargar el objeto es mediante la actividad Cargar taxonomía. Una vez cargado el objeto de taxonomía, se puede utilizar en todos los componentes del marco posteriores que lo requieran.

Casos de uso avanzados

Si decides guardar la taxonomía en otra ubicación, aún puedes cargarla en su proyecto (una vez obtenida la cadena de contenido del archivo de taxonomía, por ejemplo, una variable myTaxonomyContentString), mediante una simple tarea Asignar, como se indica a continuación:

myTaxonomy = DocumentTaxonomy.Deserialize(myTaxonomyContentString)
Si el caso de uso lo requiere, recuerda que la taxonomía es un objeto de clase simple que, cuando es necesario, puede modificarse incluso durante su ejecución.