Daten aus PDFs als JSON extrahieren

Ein PDF ist ein Layoutformat, kein Datenformat. Es beschreibt, wo Tinte auf einer Seite sitzt, nicht was die Werte bedeuten, weshalb sauberes JSON aus einem PDF zu ziehen schwerer ist, als es aussieht. Eine Lieferantenrechnung von Stripe, ein dreiseitiger Kontoauszug von JPMorgan Chase, eine Packliste eines Spediteurs in Rotterdam und eine unterzeichnete Auftragsbestätigung tragen alle dieselben zugrunde liegenden Fakten, die ein nachgelagertes System benötigt, doch jedes stellt sie in einer anderen visuellen Anordnung dar. Entwickler, die JSON wollen, greifen meist zu einer OCR-Bibliothek, erhalten eine Textwand zurück und verbringen dann Tage damit, brüchige reguläre Ausdrücke zu schreiben, um die Rechnungsnummer, die Positionen und die Summen zu finden. Sobald ein Lieferant seine Vorlage ändert, bricht der Parser. Talonic verwandelt jedes PDF in strukturiertes JSON, ohne diese Brüchigkeit. Laden Sie ein Dokument über das Dashboard oder die API hoch, und die Antwort ist ein typisiertes JSON-Objekt: skalare Felder wie issue_date im ISO-8601-Format und total_amount als Zahl, verschachtelte Arrays für Positionen und konsistente Schlüssel über jede Variation des Quelllayouts hinweg. Ein Auszug vom 2026-04-30 und ein Auszug vom 2025-11-02 von zwei verschiedenen Banken liefern dieselbe Struktur. Jeder Wert kommt mit einem Konfidenzwert zwischen 0 und 1 und einem Pixelbereich, der auf die genaue Stelle auf der Seite zurückweist, aus der er stammt, sodass eine Zahl wie $18,902.11 in Sekunden bis zu ihrer Quelle zurückverfolgt werden kann. Die Ausgabe fließt direkt in eine Datenbank, ein ERP oder einen KI-Agenten, und sie exportiert auch nach CSV, wenn eine Tabellenkalkulation das Ziel ist.

Was aus PDFs als JSON extrahiert wird

So funktioniert die Extraktion für PDFs als JSON

Talonic verlässt sich nicht auf Regeln pro Vorlage, daher erfordert ein neues PDF-Layout keine neue Konfiguration. Jedes Dokument wird klassifiziert und gegen ein versioniertes Schema in der Field Registry abgeglichen, das die Schlüssel, Typen und Validierungsregeln festlegt, die das JSON erfüllen muss. Bei gescannten PDFs wird der Text per OCR erfasst und anschließend normalisiert: Daten werden zu ISO-8601-Strings, Währungsbeträge werden zu Zahlen in einer einheitlichen Vorzeichenkonvention, und wiederkehrende Kopf- und Fußzeilen werden entfernt, damit sie nie als Daten erscheinen. Felder, die die Validierung nicht bestehen, etwa eine Summe, die nicht der Summe ihrer Positionen entspricht, werden markiert statt stillschweigend zurückgegeben. Jede Zelle trägt gemäß DIN SPEC 91491 einen Konfidenzwert und einen Pixelregion-Zeiger, sodass Werte mit niedriger Konfidenz gegen die Quellseite geprüft werden können, bevor das JSON weiterverarbeitet wird.

Beispielextraktion

Eine zweiseitige Lieferantenrechnung als PDF (Stripe, April 2026)

{
  "invoice_number": "INV-2043",
  "issue_date": "2026-04-30",
  "vendor": "Stripe, Inc.",
  "currency": "USD",
  "line_items": [
    {
      "description": "Platform fee",
      "quantity": 1,
      "unit_price": 299,
      "amount": 299
    },
    {
      "description": "Additional usage",
      "quantity": 1240,
      "unit_price": 0.02,
      "amount": 24.8
    }
  ],
  "subtotal": 323.8,
  "tax": 0,
  "total_amount": 323.8
}

Häufig gestellte Fragen