PDF-Berichte in strukturierte Daten umwandeln

Eine Tabelle aus einem PDF zu extrahieren ist eine Sache. Man findet die Zeilen und Spalten, zieht sie heraus. Fertig. Berichte sind ein ganz anderes Problem.

Ein Jahresfinanzbericht verteilt die benötigten Zahlen möglicherweise über zehn verschiedene Tabellen, versteckt Schlüsselwerte in Fließtextabsätzen und formatiert jeden Abschnitt anders. Die Daten sind da, aber niemand hat das Dokument so gestaltet, dass die Extraktion einfach ist. Es wurde zum Lesen konzipiert.

Das Strukturproblem

Öffnen Sie einen beliebigen Bericht mit mehr als ein paar Seiten und Sie finden eine Mischung aus Inhaltstypen, die jeweils unterschiedlich behandelt werden müssen. Zusammenfassungstabellen am Anfang sind meist saubere Raster. Weiter hinten im Dokument tauchen Kennzahlen auf, die in Sätze eingebettet sind ("Der Umsatz stieg im Jahresvergleich um 12 % auf 4,2 Mio. €"), Vergleichstabellen mit aufwendiger Formatierung und Anhangdaten, die sich über mehrere Seiten erstrecken können. Auch Diagramme enthalten Daten, aber nicht in einer Form, die sich direkt extrahieren lässt.

Ein einziger Extraktionsdurchlauf, der versucht, "alle Tabellen" zu erfassen, übersieht in der Regel die im Text eingebetteten Zahlen und verfälscht verschachtelte Strukturen. Man muss gezielter vorgehen.

Abschnitt für Abschnitt arbeiten

Der Ansatz, der bei komplexen Berichten tatsächlich funktioniert, besteht darin, jedes Datenelement als eigene Extraktionsaufgabe zu behandeln. Anstatt das gesamte Dokument auf einmal zu verarbeiten, geht man gezielt bestimmte Dinge an: die Umsatzaufschlüsselung auf Seite 12, den Quartalsvergleich auf den Seiten 15–16, die Kostenübersicht im Anhang.

Tools wie unPDF ermöglichen es, genau zu beschreiben, was man von einem bestimmten Seitenbereich benötigt. Wenn man Ort und Struktur präzise angibt, hat die Extraktions-Engine deutlich bessere Chancen, das Layout korrekt zu interpretieren. "Extrahiere die Bilanz von Seite 8 bis 11" liefert fast immer bessere Ergebnisse als "extrahiere alle Finanzdaten".

Mehrseitige Tabellen

Tabellen, die über Seitenumbrüche hinausgehen, sind ein klassischer Schmerzpunkt. Der Seitenumbruch trennt Zeilen, die Kopfzeile wiederholt sich auf der nächsten Seite, und plötzlich haben Sie doppelte Spaltennamen in Ihren Daten.

Gute Extraktionstools erkennen Fortsetzungen und führen die Seiten zu einer einzigen Tabelle zusammen, wobei wiederholte Kopfzeilen dedupliziert werden. Wenn Sie mit einem solchen Tool arbeiten, hilft es, den vollständigen Seitenbereich von vornherein anzugeben ("Seiten 8 bis 11"), damit das Tool versteht, dass es sich um eine Tabelle handelt und nicht um vier Fragmente.

Gemischte Inhaltstypen

Die meisten Berichte enthalten mindestens einige verschiedene Datenformate, und jedes erfordert einen leicht angepassten Prompt.

Inline-Kennzahlen stecken in Fließtextabsätzen. Sie lassen sich nicht über eine Tabellenextraktion gewinnen. Fragen Sie stattdessen nach "den wichtigsten Finanzkennzahlen in der Zusammenfassung" und lassen Sie das Tool die Zahlen aus dem umgebenden Text herausziehen.

Vergleichstabellen (dieses Jahr vs. letztes Jahr, Ist vs. Budget) sind strukturell normal, verwenden aber häufig Einrückungen oder Fettdruck, um Hierarchien darzustellen. Wenn Sie diese Hierarchie im Prompt erwähnen, etwa "die Kategorienverschachtelung beibehalten", bleibt die Ausgabe übersichtlich.

Verschachtelte Tabellen sind am schwierigsten. Ein Mensch erkennt, dass die eingerückten Zeilen Unterpunkte unter einer Kategorieüberschrift sind. Extraktionstools, die flache Zeilen erwarten, werden diese Hierarchie einebnen, sofern man ihnen nicht das Gegenteil mitteilt.

Was man mit der Ausgabe macht

Sobald Sie strukturierte Daten aus einem Bericht haben, hängen die nächsten Schritte davon ab, was Sie aufbauen möchten. Wenn Sie dieselben Datenpunkte aus Quartalsberichten ziehen, können Sie eine Zeitreihe zusammenstellen. Sie können Zusammenfassungswerte mit detaillierten Aufschlüsselungen abgleichen, um die Konsistenz zu prüfen. Bereinigte Zahlen in einer Tabellenkalkulation bedeuten, dass Sie Formeln und Prognosen erstellen können, die das ursprüngliche PDF nie vorgesehen hat.

Wenn die Extraktion an ihre Grenzen stößt

Manche Berichte wehren sich gegen Extraktion. Aufwendig gestaltete Layouts, Wasserzeichen über den Daten, Tabellen als eingebettete Bilder. Das ist für jedes Tool schwierig.

Ein paar Dinge, die in der Praxis helfen:

• Gehen Sie zuerst die wichtigsten Daten an, anstatt alles auf einmal zu holen
• Wenn die ursprüngliche Word- oder Excel-Datei existiert, verwenden Sie diese anstelle des PDFs
• Für regelmäßig verarbeitete Berichte bauen Sie einen wiederholbaren Workflow, der auf die Eigenheiten des jeweiligen Dokuments abgestimmt ist
• Akzeptieren Sie, dass manche Zellen manuell korrigiert werden müssen

Sie werden bei einem unübersichtlichen Bericht nicht 100 % der Arbeit automatisieren können. Aber den Aufwand von einer Stunde Abtippen auf fünf Minuten Nachbearbeitung zu reduzieren, ist die Mühe wert.