Как извлечь данные из PDF в Excel: n8n и LlamaParse

PDF – один из самых распространенных форматов для хранения документов, но его главная особенность — статическая структура — делает сложным автоматическое извлечение данных. Когда речь идет о больших объемах информации, ручной перенос данных в Excel становится неэффективным и трудозатратным.

Зачем может понадобиться извлечение данных из PDF в Excel?

Существует множество сценариев, когда необходимо конвертировать PDF в таблицу Excel:

• Финансовая отчетность – обработка счетов, накладных, банковских выписок.
• Юридические документы – автоматизация работы с договорами, судебными решениями.
• Анализ данных – извлечение структурированной информации из исследований, анкет, технической документации.
• HR и кадровый учет – обработка резюме, трудовых договоров, справок.
• Маркетинг и продажи – конвертация коммерческих предложений, отчетов, данных о клиентах.

Во всех этих случаях автоматизация процесса позволяет сократить время, снизить вероятность ошибок и упростить обработку данных.

Какие существуют инструменты для автоматизации извлечения данных из PDF?

Ручное копирование – не вариант, если данных много. Поэтому существуют различные инструменты для автоматизации:

• Adobe Acrobat Pro – позволяет экспортировать PDF в Excel, но работает только с хорошо структурированными таблицами.
• Tabula – удобный инструмент для работы с таблицами в PDF, но не всегда справляется со сложными форматами.
• PDFTable, SmallPDF, Zamzar – онлайн-сервисы для конвертации, но они ограничены в настройке и автоматизации.
• Python-библиотеки (pdfplumber, PyMuPDF, Camelot) – мощные инструменты, но требуют программирования.
• n8n + LlamaParse – современное решение для автоматизации без необходимости писать код.

Что такое n8n и LlamaParse?

n8n – это мощный no-code/low-code инструмент для автоматизации процессов. Он позволяет настраивать сценарии обработки данных без программирования, объединяя различные сервисы и API.

LlamaParse – продвинутый парсер PDF-документов на основе искусственного интеллекта, который умеет распознавать сложные структуры, извлекать таблицы и конвертировать данные в JSON или CSV.

Анализ и понимание PDF-файлов становится популярной областью проблем для больших языковых моделей (LLM), поэтому Лама Parse был создан именно для этой цели. Он работает путем преобразования таблиц PDF в таблицы Markdown, которые легче понимать LLM.

Пошаговая инструкция

Мы будем использовать сценарий, в котором получаем счета в формате PDF по электронной почте. Используем n8n для автоматизации всего процесса: от загрузки вложения PDF из электронной почты, передачи его в LLamaParse для обработки, использования ИИ для извлечения данных счета и записи их в электронную таблицу.

Шаг 1: Настройка учетных данных LlamaParse в n8n

Чтобы использовать LlamaParse, нужен ключ API LlamaParse, который можно получить бесплатно, зарегистрировавшись на https://cloud.llamaIndex.ai. На момент написания статьи LlamaIndex предлагает бесплатный уровень, который позволяет делать 1000 загрузок в день.

Получив ключ API LlamaParse, создайте учетные данные аутентификации заголовка, которые будут использоваться при вызовах API LlamaParse в нашем рабочем процессе n8n.

• перейдите на вкладку «Учетные данные»
• нажмите кнопку «Добавить учетные данные»
• поиск аутентификации заголовка
• введите свой ключ API в поле ввода значения и нажмите «Сохранить»

Шаг 2. Создание рабочего процесса API LlamaParse

Поскольку n8n не имеет встроенного узла для LlamaParse, придется работать напрямую с API LlamaIndex. Не волнуйтесь, это вполне осуществимо, поскольку нам нужно сделать всего 3 вызова API.

1. Вызов API для загрузки PDF-файла в сервис LlamaParse.
2. Вызов API для запроса статуса задания по обработке PDF. Это может занять больше времени, если PDF большой.

Вызов API для извлечения проанализированного вывода PDF после завершения задания.

ОБЗОРНЫЙ ПРАКТИКУМ ПО НАШУМЕВШИМ НЕЙРОСЕТЯМ

DEEPSEEK И QWEN За 2 часа сделаем полный обзор новых мощных AI-моделей, которые бросают вызов ChatGPT

ТОП-подарки всем участникам лекции:

• Возможность получить Доступ в Нейроклуб на целый месяц
• Как AI ускоряет работу и приносит деньги
• За 2 часа вы получите четкий план, как начать работать с AI прямо сейчас!

Участвовать бесплатно

Шаг 3. Извлечение данных с помощью OpenAI GPT-4o

Чтобы извлечь данные из нашего проанализированного вывода PDF, используем LLM Basic Chain, чтобы передать их в OpenAI GPT-4o Model. Попросить модель извлечь соответствующие атрибуты данных счета-фактуры.

Список атрибутов, которые нужны для сценария:

• дата счета
• номер счета-фактуры и номер заказа на покупку
• наименование и адрес поставщика, идентификационный номер плательщика НДС
• имя и адрес клиента
• любые адреса доставки
• позиции, включая описание оказанных товаров или услуг
• цена с НДС и без НДС и общая стоимость

Вывод должен быть отформатирован в формате JSON, чтобы мы могли легко вставить эти данные в виде строки в нашу таблицу сверки. Для этого важно использовать Structured Output Parser и предоставить ему схему JSON для желаемых атрибутов.

Шаг 4. Добавление триггера электронной почты для сбора счетов

В зависимости от того, как вы получаете счета, может потребоваться фильтрация по теме, меткам или проверка вложений.

• создайте узел триггера электронной почты для вашего рабочего процесса
• установите интервал, с которым рабочий процесс должен проверять почтовый ящик на наличие новых счетов
• в фильтрах примените любые критерии, которые помогут отправлять фактические счета-фактуры по электронной почте в рабочий процесс
• в разделе «Параметры» обязательно отметьте опцию загрузки вложений (для получения фактического PDF-файла из счета)

Автоматизация процесса

Настроив базовый процесс извлечения данных из PDF в Excel, можно сделать его полностью автоматизированным, чтобы не запускать вручную каждый раз. Рассмотрим, как можно автоматизировать выполнение сценария, интегрировать его с облачными сервисами и добавить уведомления о результатах обработки.

Запуск сценария по расписанию

В n8n можно настроить автоматический запуск рабочего процесса по определенному графику. Это удобно, если вам нужно регулярно обрабатывать новые PDF-файлы, например, ежедневно или раз в неделю.

Как настроить запуск по расписанию?

1. Добавьте узел «Cron» – этот узел позволяет задать время и периодичность выполнения сценария.
2. Настройте периодичность – можно выбрать запуск раз в день, каждые несколько часов, по конкретным дням недели и т. д.
3. Свяжите Cron с основным процессом – соедините этот узел с узлом, который загружает PDF-файл.

Таким образом, процесс будет автоматически запускаться в заданное время, например, каждый день в 9:00 утра.

Интеграция с облачными хранилищами (Google Drive, Dropbox)

Чтобы процесс был еще удобнее, можно настроить загрузку и сохранение файлов в облачных сервисах, таких как Google Drive или Dropbox.

1. Добавьте узел «Google Drive» или «Dropbox» в n8n.
2. Настройте авторизацию – подключите свой аккаунт и дайте разрешения на доступ к файлам.
3. Выберите действие – например, загружать PDF-файлы из определенной папки или сохранять обработанные файлы в Excel-формате обратно в облако.
4. Свяжите этот узел с основным процессом – данные будут автоматически загружаться и выгружаться без вашего участия.

Сценарий может автоматически загружать новые PDF-файлы из папки в Google Drive, обрабатывать их и сохранять результат в виде Excel-документа обратно в Google Drive.

Настройка уведомлений об успешной обработке

Чтобы всегда быть в курсе успешного выполнения сценария (или возможных ошибок), можно настроить уведомления через Email, Telegram, Slack или другие мессенджеры.

Как отправлять уведомления?

1. Добавьте узел «Email», «Telegram» или «Slack».
2. Настройте текст сообщения – можно включить в него статус обработки, количество обработанных файлов или ссылку на результат.
3. Свяжите узел с основным процессом – уведомление будет отправляться после успешного выполнения или в случае ошибки.

«Обработка завершена. Файл ‘Report.xlsx’ загружен в Google Drive.»

«⚠ Ошибка обработки! Проверьте лог-файл.»

Заключение

В этой статье мы рассмотрели, как автоматизировать извлечение данных из PDF и их конвертацию в Excel с помощью n8n и LlamaParse. Это мощное сочетание инструментов, которое позволяет сэкономить время, снизить вероятность ошибок и упростить работу с документами.

Их основные преимущества:

• Автоматизация без программирования – визуальный интерфейс n8n позволяет легко настроить процесс без необходимости писать код.
• Гибкость – можно адаптировать сценарий под любые потребности: разные форматы PDF, интеграции с облачными сервисами, уведомления.
• Работа с неструктурированными данными – LlamaParse использует ИИ для точного распознавания текста и таблиц, даже если PDF-документ сложный.
• Интеграция с другими сервисами – можно легко подключить Google Drive, Dropbox, Telegram, Email и другие инструменты для хранения данных и уведомлений.

Если необходимо извлекать данные не из одного PDF, а из множества документов, можно масштабировать процесс:

• Обрабатывать сразу несколько файлов, загружая их, например, из папки в Google Drive и обрабатывая в цикле.
• Автоматически сортировать данные, распределяя финансовые отчеты в одну таблицу, а договоры – в другую.
• Хранить результаты в базе данных, если данных много, используя SQL или Google BigQuery вместо Excel.

Благодаря этим возможностям n8n можно использовать для массовой обработки документов без ручного вмешательства.

Советы по устранению ошибок

При работе с PDF-файлами могут возникнуть ошибки, связанные с форматом документов или настройками автоматизации. Вот несколько способов их устранения:

• Некорректное извлечение данных из PDF – если таблица распознается неправильно, попробуйте использовать разные режимы обработки в LlamaParse (структурированный или свободный текст).
• Файл не загружается в n8n – проверьте, правильно ли настроены разрешения на доступ к облачному хранилищу (Google Drive, Dropbox).
• Некорректное форматирование в Excel – перед записью данных используйте узел «Set» в n8n, чтобы привести их к нужной структуре.
• Ошибка при сохранении файла – попробуйте сначала сохранить данные в CSV и затем конвертировать их в Excel, если возникают проблемы с форматом.

Комбинация n8n и LlamaParse позволяет автоматизировать извлечение данных из PDF и конвертировать их в Excel без сложного программирования. Это гибкое решение, которое можно легко адаптировать под разные задачи, от обработки финансовых документов до анализа текстовой информации.