Die Daten sind extrahiert. Warum sind sie immer noch ein Chaos?

Vor einer Weile hat sich jemand registriert, unsere Tools ausprobiert und ist wieder gegangen. Hängen geblieben ist bei mir das Warum. Die Dokumente waren längst geparst - ein gutes Tool hatte die PDFs in sauberen, lesbaren Text verwandelt. Deswegen kam diese Person nicht zu uns. Sie kam, weil sie trotzdem feststeckte, und sie ging, weil wir genau den Teil noch nicht gelöst hatten, an dem sie wirklich hing.

Das hat mir etwas beigebracht, das für mich heute den Kern der Sache ausmacht: ein Dokument zu parsen und Ihre Daten zu extrahieren sind zwei verschiedene Aufgaben, und fast alle verkaufen Ihnen die erste.

Parsing ist fast gelöst. Extraktion nicht.

Eine Seite in getreuen Text zu verwandeln oder grob alles auszugeben, was darauf steht, funktioniert inzwischen wirklich hervorragend. Es gibt viele gute Werkzeuge, und die Preise fallen weiter. Das ist großartig - und genau deshalb liegt dort auch nicht mehr der Wert. Was gut funktioniert und fast nichts kostet, ist Massenware und kein Wettbewerbsvorteil.

Der Schmerz ist deshalb nicht verschwunden. Er hat sich nur nach hinten verschoben, in den Teil, den niemand auf eine Landingpage schreibt:

• Die Ausgabe hat bei jedem Dokument eine andere Form, also bricht Ihr Code beim nächsten Layout.
• Das Feld, das Sie brauchen, ist irgendwo drin - nur jedes Mal an einer anderen Stelle.
• Nichts sagt Ihnen, wenn eine Zahl falsch herausgekommen ist.
• Einmal von Hand funktioniert es. Dasselbe tausendmal und unbeaufsichtigt zu tun, ist etwas völlig anderes.

Das ist das chaotische Mittelstück. Es ist unglamourös, dort sterben echte Pipelines leise vor sich hin, und genau das gibt Ihnen ein Parser zurück, damit Sie es selbst klären.

Wie "fertig" wirklich aussieht

Fertig heißt nicht aus dem PDF wurde Text. Fertig heißt: Sie definieren die Handvoll Felder, auf die es Ihnen ankommt, ein einziges Mal, und jede Rechnung, jeder Kontoauszug, jedes Formular - egal in welchem Layout - kommt als derselbe strukturierte Datensatz zurück, in derselben Form, fertig für Ihre Tabelle oder Ihre Datenbank. Jedes Mal dieselbe Antwort, ob es Dokument eins ist oder Dokument zehntausend.

Achten Sie darauf, wovon das alles nicht abhängt: davon, welche Parsing-Engine darunter steckt. Die Engine ist ein austauschbares Teil - wir nutzen das, was Ihre Felder heute am besten liest, und können morgen auf das Beste umsteigen, ohne dass Sie es je merken würden. Denn worauf Sie sich verlassen, ist die Form der Ausgabe, nicht das Modell, das sie erzeugt hat.

Worauf es ankommt

Wenn Sie das Gefühl Ich habe es geparst, und es ist immer noch ein Chaos kennen: Sie haben nichts falsch gemacht. Man hat Ihnen den einfachen Teil in die Hand gedrückt und den schweren übrig gelassen. Diese Lücke zu schließen - die Form einmal festlegen und sie danach dauerhaft verlässlich zurückbekommen - ist der ganze Grund, warum es Parse gibt.

Wenn das Ihr Schmerz ist, nehmen Sie ein einziges Dokument und probieren Sie es aus. Definieren Sie ein, zwei Felder an einem Beispiel und sehen Sie zu, wie es genau so zurückkommt, wie Sie es gemeint haben - ohne Registrierung, ohne Code.