PDF Extractor
PDF Extractor lee uno o varios archivos PDF y te devuelve su contenido listo para usar: el texto ordenado, con sus títulos y sus tablas. Funciona con PDF que contienen texto, como los que se generan desde un procesador de textos o un programa de facturación, y no necesita ningún modelo de IA.
Úsalo como primer paso cuando un flujo recibe documentos PDF y un agente o un componente tiene que leerlos.
Cuándo usarlo
- Leer las facturas en PDF que llegan por correo para sacar sus importes.
- Preparar contratos o manuales para guardarlos en una base de conocimiento.
- Pasar a un agente el contenido de un informe para que lo resuma.
- Extraer las tablas de un catálogo de precios.
Configuración
| Campo | Qué hace |
|---|---|
| Documents | Los archivos PDF que quieres leer. Puedes conectar uno o varios. |
| Extract Text | Saca el texto de cada página. Activado por defecto. |
| Extract Tables | Saca las tablas del documento. Activado por defecto. |
| Extract Images | Saca las imágenes que contiene el documento. Activado por defecto. |
| Minimum Image Size (pixels) | Tamaño mínimo, en píxeles de ancho o de alto, para que una imagen se incluya. Sirve para dejar fuera iconos y logotipos pequeños. Por defecto, 250. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Detect Columns | Detecta los documentos a varias columnas y ordena el texto en el orden de lectura correcto. Activado por defecto. |
| Caption Proximity (pixels) | Distancia máxima, en píxeles, a la que un texto se considera el pie o el título de una imagen. Por defecto, 50. |
| Silent Errors | Si un archivo no se puede leer, sigue con los demás y deja en el resultado una nota con el error, en lugar de detener el flujo. Desactivado por defecto. |
Resultado
La salida Data devuelve, normalmente, un resultado por cada PDF con:
text: todo el texto del documento, con sus títulos y sus tablas en formato de texto.source_file: el nombre del archivo.
Si un documento no se puede leer de una sola vez, el componente lo lee página a página y devuelve un resultado por página, con su número (page_number), su texto y, según los interruptores de Extract Text, Extract Tables y Extract Images, las tablas y las imágenes que encuentre, con su pie si lo tienen.
Si un archivo que llega no es un PDF, el componente da un error, salvo que actives Silent Errors.
Ejemplo
El departamento de compras recibe presupuestos de proveedores en PDF y quiere compararlos.
- Conecta los presupuestos en PDF a Documents.
- Conecta la salida Data a un agente con instrucciones para sacar de cada presupuesto el proveedor, el importe total y el plazo de entrega.
- Envía la comparativa del agente al equipo de compras.
Buenas prácticas
- Si tus PDF son documentos escaneados, es decir, fotos de papel, no contienen texto que leer: usa un componente que lee el texto de imágenes, como Easy OCR.
- Para procesar muchos archivos de una vez, activa Silent Errors y revisa después los resultados con error.
Componentes relacionados
- PDF Page Index: para sacar el índice de un PDF largo, con sus capítulos y apartados.
- Easy OCR: para leer el texto de una imagen.