Ya extrajo los datos. ¿Por qué siguen siendo un caos?

Hace un tiempo, alguien se registró, probó nuestras herramientas y se marchó. Lo que se me quedó grabado fue el porqué. Sus documentos ya estaban analizados - una buena herramienta había convertido sus PDF en un texto limpio y legible. No vino a nosotros por eso. Vino porque seguía atascado, y se fue porque todavía no resolvíamos justo la parte en la que de verdad estaba atascado.

Eso me enseñó algo que hoy considero la clave de todo: analizar un documento y extraer sus datos son dos trabajos distintos, y casi todo el mundo le vende el primero.

El análisis ya está casi resuelto. La extracción no.

Convertir una página en texto fiel, o en un volcado aproximado de todo lo que contiene, ha llegado a funcionar francamente bien. Hay muchas herramientas buenas y los precios siguen bajando. Eso es estupendo - y también es la razón por la que ahí ya no está el valor. Cuando algo funciona bien y no cuesta casi nada, es un producto genérico, no una ventaja defendible.

Pero el dolor no ha desaparecido. Se ha desplazado más abajo, a la parte que nadie pone en una página de destino:

• La salida tiene una forma distinta en cada documento, así que su código se rompe con el siguiente diseño.
• El campo que necesita está ahí dentro - solo que cada vez en un sitio distinto.
• Nada le avisa cuando un número sale mal.
• Funciona una vez, a mano. Hacerlo igual mil veces y sin supervisión es algo completamente distinto.

Ese es el caos intermedio. No tiene ningún glamur, es donde mueren en silencio los flujos de datos reales, y es exactamente lo que un analizador le devuelve para que se las arregle usted.

Qué significa de verdad "terminado"

Terminado no es el PDF se convirtió en texto. Terminado es esto: usted define una sola vez el puñado de campos que le importan, y cada factura, cada extracto, cada formulario - sea cual sea su diseño - vuelve como el mismo registro estructurado, con la misma forma, listo para volcarlo directamente en su hoja de cálculo o en su base de datos. La misma respuesta siempre, tanto en el documento uno como en el documento diez mil.

Fíjese en algo de lo que nada de esto depende: el motor de análisis que hay debajo. El motor es una pieza intercambiable - usamos el que hoy lee mejor sus campos y mañana podemos pasar al que sea mejor, y usted ni se enteraría, porque de lo que depende es de la forma de la salida, no del modelo que la produjo.

Lo que importa

Si alguna vez ha tenido la sensación de lo he analizado y sigue siendo un caos, no lo estaba haciendo mal. Le entregaron la parte fácil y le dejaron la difícil. Cerrar esa brecha - definir la forma una vez y recuperarla de manera fiable, siempre - es toda la razón de ser de Parse.

Si ese es su dolor, tome un documento y pruébelo. Defina uno o dos campos en un ejemplo y vea cómo vuelve tal y como usted quería - sin registro, sin código.