P A T H
Dicas Alteryx

Utilizando a ferramenta PDF para Texto

O que você vai aprender?

Nesta dica, vamos entender como realizar a leitura de PDF utilizando Alteryx.

INTRODUÇÃO

Para aqueles que nos acompanham a mais tempo, devem estar se perguntar “Mas vocês já não falaram disso antes?”. E para vocês caros espectadores atentos, a resposta é “sim”, já falamos sobre leitura de PDF mais de uma vez.

A primeira vez que falamos sobre ela foi na dica “ANALISANDO DOCUMENTOS COM PDF INPUT” (hyperlink) em 2020. E novamente falamos sobre leitura de PDF na dica “COMO UTILIZAR A FERRAMENTA IMAGE INPUT PARA INTERPRETAR IMAGENS PNG, JPEG, BMP OU PDF” (hyperlink)  em 2021.

E com essas dicas percebemos o quanto o Alteryx vem melhorando sua habilidade de ler arquivos em PDF. Agora trazemos para vocês a mais nova ferramenta do pacote Intelligence Suite, a ferramenta de PDF para Texto (PDF to Text).

Para essa dica utilizaremos um extrato bancário com movimentações fictícias.

Imagem1 Dica Alteryx 128

PASSO 01: ENTENDENDO AS ENTRADAS E SAÍDAS DA FERRAMENTA

A ferramenta de “PDF para Texto”, possui 2 entradas. A entrada “D” (entrada de Dados), e a entrada “T” (Template), ambas são opcionais.

Imagem2 Dica Alteryx 128

A Entrada de Dados requer o caminho para o arquivo PDF, então podemos utilizar a configuração da própria ferramenta para determinar um arquivo específico, ou podemos utilizar a entrada “D” para conectarmos por exemplo a uma ferramenta de Diretório.

Já a entrada de Template requer um exemplo de conteúdo do PDF, e a ferramenta mais recomendada para essa conexão é a “Modelo de Imagem”.

PASSO 01: ENTENDENDO AS ENTRADAS E SAÍDAS DA FERRAMENTA

Quando pensamos em leitura de PDF já pensamos em complexidade de leitura e erros de conversão, e nesse caso, a ferramenta de PDF para Texto resolve os 2 problemas com uma configuração simples e intuitiva e resultados impressionantes.

Vamos primeiramente entender as configurações:

Imagem3 Dica Alteryx 128
  1. Inserir Arquivo

Na parte superior iremos selecionar o caminho para o arquivo PDF que queremos ler. Caso exista uma conexão na entrada “D”, iremos apenas selecionar qual coluna da nossa base de dados contem o caminho para o arquivo PDF.

 

  1. Opções de extração de texto

Nesta configuração iremos selecionar qual tipo de leitura será realizada, se selecionarmos a opção “Ler Conteúdo de Texto e imagem” o Alteryx irá interpretar de forma dinâmica textos e imagens utilizando OCR, sendo essa forma mais fácil deixando a inteligência do Alteryx decidir, mas pode ser mais custosa do que precisaria ser.

 

Selecionando a opção “Ler apenas conteúdo de Texto”, será feita a interpretação dos caracteres sem a utilização de OCR, sendo essa forma até 10x mais rápida que a anterior, mas com isso vem algumas configurações a mais como “pontuação de risco” e “gerar imagens dos gráficos”.

           

A Pontuação de Risco nos permite analisar a precisão da interpretação do PDF, linhas com risco baixo (low), estão em bom estado para serem utilizadas. Linhas com risco médio ou alto (medium / High), devem passar por um tratamento na ferramenta Image Tool com utilização de OCR.

 

 

  1. Idioma

Aqui determinamos qual ou quais idiomas compõe o conteúdo do arquivo PDF ( E SIM, TEMOS PORTUGUÊS )

 

  1. Opções de Saída

Nas opções de saída determinamos qual conteúdo é importante após toda a análise configurada anteriormente.

 

  • Linhas – Separação em cada linha por linha da página, mantendo seu formato padrão com múltiplos espaços e separações de conteúdo
Imagem4 Dica Alteryx 128
  • Cadeia de Caracteres – Separação por página, mantendo uma linha única com todos os dados para cada página
Imagem5 Dica Alteryx 128
  • Tabela Delimitada por Barras Verticais – Separação por página, mantendo uma linha com todos os registros das páginas, mas com a separação de barra para cada quebra de linha
Imagem6 Dica Alteryx 128
  • Tabela Alteryx – Separação Linha por Linha, mas com uma certa limpeza de dados, removendo espaços duplicados e espaços desnecessário
Imagem7 Dica Alteryx 128

5. Pré-visualização

Nessa parte é possível ver como está o conteúdo do arquivo PDF lido.

 

ATENÇÃO: Também podemos utilizar o wildcard (*) na configuração do caminho, mas nesse caso não teremos a pré-visualização dos dados.

19 de janeiro de 2022

Pronto! Agora você já sabe os usos da mais nova ferramenta PDF para Texto.

Treinamento Customizado
Download Alteryx
Novidades
Language