Extractor de forma

Qué es el Extractor de formularios

El Extractor de formularios es un método de extracción que se adapta mejor a los casos de uso en los que hay que procesar documentos de formato no variable y extraer datos de ellos. Dicho de otro modo, si tus documentos tienen poca o ninguna variación en su diseño, el Extractor de formularios es una buena opción.

El Extractor de formularios se basa en plantillas definidas de antemano, en la etapa de diseño, y aplica un conjunto complejo de reglas para aplicar las plantillas configuradas a los documentos entrantes que se procesarán, identificando y reportando la información prevista.

La actividad incluye un asistente de configuración que te ayuda a definir las plantillas de los tipos de documentos y los campos a los que deseas destinar la extracción de datos de esta manera.

La actividad admite tanto la extracción de campos simples como la de campos de tabla.

Se recomienda buscar otros métodos de extracción si:

• hay que manejar muchos diseños;

• los documentos no solo están torcidos, girados o llegan en distintos tamaños, sino que también muestran "deformaciones" (están combados en ciertas zonas).

  Nota:

  En el caso de extracción de formularios fijos, para evaluar si los diseños de dos archivos son los mismos, prueba a superponerlos en una herramienta, con cierta transparencia, para ver si todo el contenido no variable se superpone (después de desrotar, desestructurar y poner las dos imágenes a la misma escala).

  Si observas variabilidad (el contenido no variable aparece más a la izquierda/derecha/arriba/abajo en determinadas zonas del documento), entonces los diseños no se consideran iguales.

  El Extractor de formularios permite definir varias plantillas para el mismo tipo de documento y en tiempo de ejecución:

• identifica la mejor plantilla para el documento entrante y el tipo de documento;

• aplica la plantilla que coincide con el algoritmo, basado en los anclajes de la página, para cada página de la que hay que extraer datos (no se admiten páginas no encontradas o repetidas)

• notifica la información identificada de las áreas de valores de destino.

También admite el ajuste del procesamiento de casillas de verificación/campos booleanos, permitiendo la configuración de "sinónimos" para valores "Sí" o "No", según tu caso de uso.

Este extractor no tiene capacidad de aprendizaje (entrenamiento) y requiere una configuración de antemano.

Requisitos especiales

Para utilizar este extractor, debes utilizar tu clave API de Automation Cloud Document Understanding o alojar tu propia instancia del Extractor de formularios en AI Center local.

Cómo configurar

Configuración de la actividad

El Extractor de formularios tiene dos configuraciones principales a tener en cuenta:

• the Template Manager wizard - which allows you to define templates to be applied to incoming documents. This wizard also makes available the Template Editor wizard, along with the Boolean field interpretation settings.
• the MinOverlapPercentage setting - which allows you to control how strict the value area matching should be. It accepts a value between 0 and 100, and it controls what words are accepted or rejected from being part of a given value, based on how well their location fits the area defined in the template.

Asistente del Administrador de plantillas

Este asistente permite crear, editar, gestionar y exportar/importar plantillas para los tipos de documentos definidos en la taxonomía.

Crear una plantilla

1. Add a Form Extractor activity to your workflow, within a Data Extraction Scope.

2. Configure the extractor by clicking on the Manage Templates button.

   • The Template Manager window opens.

     

3. Click the Create Template button for creating a new template.

   

4. Select the document type you are defining the template for, from the Document Type drop-down list.

   Nota:

   All Document Types are based on the Taxonomy. Make sure to add or create a Taxonomy inside the project's folder.

5. Add the name of the template in the Template name field. Make sure it is a relevant name that represents what version of the document, or what layout, you are capturing and configuring through it.

6. Add the document path in the Template document field.

   • Navigate to the file's path by using the Browse button.

7. Select an OCR from the OCR Engine drop-down list, and configure it according to its needs.

8. Click the Configure button to trigger template editing.

El motor OCR se aplica solo si es necesario. Si el documento seleccionado para crear una plantilla es un PDF nativo, entonces no se ejecuta ningún motor OCR.

Each OCR engine comes with its own set of custom options. Here you can find more details about all options available for each OCR engine.

Si ya has creado una plantilla, esta puede editarse, exportarse o eliminarse.

Delete and Export buttons become available only when at least a template is selected. The Edit and Remove options for an individual template are always available.

Configurar el procesamiento de campos booleanos

For the documents that include check boxes, you have the possibility to add known synonyms for the Yes and No options, or you can start from a list compiled by us (see the Add Recommended suggestions). These values are used for Boolean content interpretation, which is mapping a captured value to a Yes or No reported value.

Exportar e importar plantillas

Puedes importar plantillas creadas y exportadas de otros flujos de trabajo. Utiliza estas funciones para compartir plantillas entre proyectos, de modo que una vez configurado un tipo de documento mediante el Extractor de formularios, no tengas que volver a configurar las plantillas en una nueva implementación.

Procedimiento de exportación

Estos son los pasos que debes seguir para exportar una plantilla:

1. Crea una o varias plantillas siguiendo los pasos explicados al principio de esta página.

2. Selecciona las plantillas que quieres exportar.

3. Select an Export option (with or without the original files) as shown in the below screenshot. Exporting with original files attaches them to the export. The second option doesn't attach the files used for template creation.

   

4. Guarda el archivo de la plantilla con el nombre deseado.

5. A message is displayed once the template is saved. Select the OK button.

   

   Nota:

   Si no puedes compartir el contenido de los documentos en los que has creado tus plantillas, utiliza la opción "Sin archivos originales". Seguirás pudiendo compartir e importar el archivo de plantillas en otros proyectos, pero ya no podrás ni editarlos ni verlos.

   Si deseas poder editar las plantillas una vez importadas en un proyecto diferente, asegúrate de usar la opción "Con archivos originales" al exportarlas y luego importarlas.

Procedimiento de importación

Estos son los pasos que debes seguir para importar una plantilla:

1. Select the Import button.

   

2. Select an archive. The import wizard appears and presents all document types and all templates available in the selected export archive. Select the templates you wish to import and choose the right Import option (with or without the original files).

   

   Nota:

   • Cuando se importan plantillas, los tipos de documento se crean automáticamente en la taxonomía del proyecto. Si un ya existe un tipo de documento con el mismo nombre, se creará otro añadiendo un número al nombre del tipo de documento.
   • Si estás importando plantillas que han sido exportadas sin los archivos originales, o si eliges importar plantillas sin los archivos originales, entonces no dispondrás de opciones de visualización o edición para esas plantillas.

Situaciones especiales al importar una plantilla

Cuando se importa una plantilla, pueden ocurrir varias situaciones especiales. En la tabla siguiente se explica cada situación y sus particularidades:

Tipo de importación	Comportamiento de la actividad
Tipo del nuevo documento	Si se importa un nuevo tipo de documento, se añade un nuevo campo en el configurador del asistente, que informará de que se va a crear una nueva plantilla.
Tipo de documento duplicado	Si se importa un tipo de documento idéntico, aparece el siguiente mensaje de advertencia: Esta plantilla ya existe y se sobreescribirá.
Plantilla ampliada	Si se importa una plantilla de tipo de documento que incluye campos adicionales a la ya existente, aparece el siguiente mensaje de advertencia: Este tipo de documento se actualizará como sigue a continuación: Los siguientes campos no existen y se van a crear.
Tipo de documento ampliado	Si el usuario importa un tipo de documento que incluye campos adicionales al ya existente, aparece el siguiente mensaje de advertencia: Este tipo de documento se actualizará como sigue a continuación: Los siguientes campos no tienen configuraciones para importar...
Tipo de documento con nombre idéntico pero distinto contenido	Si el usuario importa un tipo de documento que tiene el mismo nombre que el existente pero campos diferentes, aparece el siguiente mensaje de advertencia: Este tipo de documento se actualizará como sigue a continuación: Los siguientes campos no existen y van a ser creados; Los siguientes campos no tienen configuraciones para importar
Tipo de documento sin tabla	Si el usuario importa un tipo de documento que no incluye una tabla, aparece el siguiente mensaje de advertencia: Este tipo de documento se actualizará como sigue a continuación: Los siguientes campos no tienen configuraciones para importar.
Tipo de documento con tabla extendida	Si el usuario importa un tipo de documento que incluye una tabla con columnas adicionales, aparece el siguiente mensaje de advertencia: Este documento se actualizará de la siguiente manera: Los siguientes campos no existen y se van a crear.
Tipo de documento con tabla reducida	Si el usuario importa un tipo de documento que incluye una tabla a la que faltan columnas, aparece el siguiente mensaje de advertencia: Este documento se actualizará de la siguiente manera: Los siguientes campos no tienen configuraciones para importar...
Plantilla de tabla con diferentes tipos de documento	Si el usuario importa una plantilla de tipo de documento que incluye una tabla con diferentes tipos de documento, se creará una nueva plantilla. Si tu taxonomía incluye una tabla que tiene un campo con un tipo de documento diferente, aparece el siguiente mensaje: El campo con ID xyz se ha encontrado tanto en la taxonomía importada como en la taxonomía existente, pero sus tipos son incompatibles (ambos deberían ser tablas o bien ninguno de ellos).

Editor de plantillas

Consideraciones generales

El Editor de plantillas está creado basándose en la funcionalidad presente en la Estación de validación.

To learn about the basic usage of the Validation station, read this.

Configurar anclajes en el nivel de página

When defining or editing a template, the first thing that needs to be performed is the Page 1 Matching Info selection, for fixed form template definition.

This field that appears on the left side of the screen as the first field needs to be configured with words (tokens only are accepted) from the first page of the template, that are constantly in the same position within that particular template layout, that form a unique graph of words (considering relative distances and angles between words) across all the templates defined for a particular document type. In other words, the Page 1 Matching Info (and all other Page Matching Info fields) are "fingerprints" of a particular page and are extensively used in identifying the right matching template at run-time.

For this reason, for the Page 1 Matching Info field, it is strongly recommended to select 10 to 20 words, preferably longer, spread across the entire page area, that would form a unique pattern across all defined templates for that document type.

The other Page Matching Info fields (one for each template page) must be filled in only if you are attempting data extraction from that particular page, and do not require cross-template uniqueness anymore. If no fields need to be extracted from a particular page, defining the page level matching info for that page is not mandatory.

Configurar campos simples

For all fields other than Tables, configuring the template consists of selecting a Custom Area and assigning it to a particular field.

En las configuraciones de formulario fijo, los campos de datos solo pueden configurarse mediante selecciones de Área personalizada.

For any field, you can define one or more such Custom Areas, using the (+) button. If you define two or more custom areas for a single field, then at run-time, if the field is defined in the Taxonomy as Single Value, then all values from all the custom areas will be concatenated into a single reported value. If on the other hand the field is defined as Multi Value, then each value from each custom area will be reported individually.

The below animation shows the difference between a Tokens or Custom Area selection:

También se puede averiguar el tipo de selección aceptada para cada campo verificando el icono que aparece junto a cada campo, como se muestra en la siguiente animación:

Nota:

If an empty area is selected, the selection is automatically set as Custom area. If text is detected inside the selected area, you are asked to choose the type of the selection between Tokens or Custom area.

Utiliza la función "modo de selección" de la Estación de validación para bloquear tu selección entre Tokens y Áreas personalizadas.

Configurar tablas

As mentioned above, there are fields where information can be added only by using tokens (like the Page Matching Info fields) or only by using a custom area (like simple fields). For Table fields, you can

• define cada celda una a una, una vez expandido el Editor de tablas, añadiendo la selección de Área personalizada a cada celda de forma individual, o
• utiliza la funcionalidad de marcado de tablas que marca el área de la tabla, dibuja separadores de filas y columnas, y luego, asigna la tabla así marcada al campo.

En la animación siguiente se explica cómo utilizar la función de marcado de tablas: