【RPA课堂】UiPath PDF数据提取

PDF一直是存储数据最可靠的格式之一。从高速增长的公司到小型企业，每个人都以这种格式存储各种数据。想象一下，如果必须从这些PDF文档中提取原始数据，可以手动完成吗？答案是否定的，因为这是一项相当繁琐的工作，但是，如果你熟悉自动化中的某些服务，那么可以轻松地自动执行此过程。

这篇关于UiPath PDF数据提取的文章将简要介绍UiPath提供的从PDF中提取数据的所有方式，无论是原生文本格式还是扫描图像。

为了便于理解，我们将本文分为以下两个部分：

·  提取大文本

·  提取特定元素

在开始提取数据之前，需要确保从系统上安装的Manage Packages部分有UiPath.PDF.Activities。选择软件包后，单击“保存”，软件包将开始安装。参考下图：

点击视频学习UiPath PDF Data Extraction

提取大文本

在某些情况下：我们有一个完全充满文本的文档，或者文本和图像的混合。那么提取大型文本属于这种文档，其中文档仅包含文本或文本和图像的混合。

UiPath主要提供两种选项来提取大型文本。分别是：

·   阅读PDF文本

·   阅读带有OCR的PDF

除此之外，我们还有屏幕抓取方式。我们先从Read PDF开始。

阅读PDF文本

Read PDF用于从仅包含Text 的PDF文件中提取数据。因此，如果PDF中存在图像，此方式便不是正确的，因为它不会提取图像中存在的数据。

可以参考下面的图片，其中展示了我们将用于此文章的示例PDF文件。在PDF文档中，上半部分是文本，引用的部分是图像。

现在，我们创建一个序列，在其中将提到必须从中提取数据的PDF目录，并且在消息框中编写输出。

注意： 你可以将输出写入任何格式的文件，如写文本文件、写入行、写入单元格活动等。

第1步：创建一个序列并重命名。这里将其重命名为ExtractText。

第2步：拖放“ Read PDF文本”，提及必须从中提取数据的PDF文档的路径。

第3步：在属性面板中阅读PDF文本，提一个输出变量来查看输出。要设置输出变量，请按CTRL +K，然后输入名称。这里我们提到了输出。

第4步：在序列中拖放一个消息框，然后在其中提及输出变量。

完整序列和输出应分别如下面的图片所示：

在这里，可以清楚地看到我们图像中存在的文本未被提取，并且仅提取了样本PDF文档中存在的文本。

阅读带有OCR的PDF

带有OCR的Read PDF用于从包含文本和图像的PDF文档中提取数据。因此，如果除文档中的文本外还有其他图像，则将从这些图像中提取数据并提供文本输出。

正如该名称所示，这种方式使用光学字符识别来扫描PDF文档内的图像，并将所有文本作为变量输出。所以它需要一个OCR引擎。在“活动窗格”中，搜索OCR引擎，将获得已安装引擎的列表。请参阅上图。

现在创建一个序列，在这个序列中提到要从中提取数据的PDF目录，并将输出写入消息框中。唯一的区别是，你将看到图像中的文本也被提取出来。

按照以下步骤，创建自动化以提取图像中的文本。

步骤1：创建一个序列并重命名。在这里，我们将其重命名为使用OCR提取文本。

步骤2.1：拖放带有OCR的Read PDF。在activity中，提到必须从中提取数据的PDF文档的路径。

步骤2.2：搜索OCR引擎，并根据安装的引擎拖放一个OCR引擎。这里我们使用了Google OCR Engine。

步骤3：现在，在带有OCR Activity的Read PDF的属性窗格中，提到一个输出变量以查看输出。设置输出变量按CTRL + K，然后输入名称。这里我们提到了输出。

步骤4：在序列中拖放一个消息框，然后在其中提及输出变量。

完整序列和输出分别如下面的图片所示：

在这里，你可以清楚地看到示例文档图像中存在的文本已被提取。这就是如何使用带有OCR的Read PDF的操作方式。

关键点

1、在“读取文本”方式 和“ 使用OCR 读取PDF”中，我们有一个名为Range的参数。此参数用于提及必须从中提取数据的页码范围（1、All、2-10、10-All）。

2、上述两种方式都是独立的，它们不需要打开其他应用程序。因此，即使PDF文档未在屏幕上打开，这些Activity也可以执行任务。

除了上述方式之外，还有另一种提取数据的方法，即使用“Design”选项卡中的屏幕抓取向导。

屏幕抓取向导

屏幕抓取向导是UiPath提供的一项功能，用于从多个平台中抓取数据。

要使用此向导，可以遵循以以下步骤，将PDF文档打开。

步骤1：单击屏幕抓取图标，然后选择要提取的PDF文档中的部分。

步骤2：将被重定向到屏幕抓取向导，可以使用提取的文本将在下面看到。现在你可以选择抓取方法（Native/Full Text/OCR）。选择所需的方法，然后单击“ 完成”。

步骤3：单击完成后，Scraping Wizard将返回到序列。在这里添加一个消息框以查看输出并提及输出变量，该变量在返回序列中的“获取全文/获取OCR文本” Activity中提到。这里的变量名是“AvlAvview”，我们在消息框中提到过。

完整序列和输出如下图所示：

在这里可以清楚地看到示例文档图像中存在的文本被提取出来，以及文件中的文字。

提取特定元素

通过提取特定元素，这里的意思是可以在某些情况下提取特定元素，例如发票中的总计或简历中的联系人号码等。

UiPath主要提供两种选项来提取大型文本。分别是：

·   获取文本方式

·   Anchor Base方式

获取文本方式

此方式只是指向你要提取的元素。使用此方式可以提取文本，并可以使用输出变量。之后可以使用消息框或Write Text File方式并提及输出变量。

参考下面的图片检查顺序和输出。在这里，我们提取了总金额，然后在消息框中显示输出。

这就是如何使用Get Text Action。现在，转到我们的下一个活动，即Anchor-BaseActivity。

Anchor Base方式

Anchor Base 方式用于提取文本和图像。此方式由两个操作组成，因为它执行与另一个固定元素或Anchor相关的操作。

典型的Anchor Base主要有两个：

·   查找元素/查找图像

·   获取文本

查找元素/查找图像

查找元素/查找图像用于查找文本和图像。可以根据需要使用这些方式。现在，由于Anchor Base是一个相对操作，可以像之前提到的那样使用Get Text 方式。

参考下图。在这里使用了Anchor-Base ，以及Find Image 和Get Text 。在“Find Image”中，选择了“Total（总计）”，因此基本上会搜索“Total（总计）”，然后在“Get Text”中，由于选择了该值，因此将提取该值。

类似地，你也可以使用Find Element 方式。