Saca datos estructurados de facturas o expedientes físicos en formato PDF utilizando modelos avanzados de conversión.
Extract structured data from invoices or physical case files in PDF format using advanced conversion models.
Este ejercicio es solo para aprendizaje y pruebas. No ejecutes scripts contra datos reales, ambientes de producción, APIs externas, portales con login, datos sensibles, sistemas críticos o repositorios empresariales sin autorización, respaldos, pruebas previas, permisos mínimos, control de cambios y cumplimiento de los protocolos de ciberseguridad de tu organización.
This exercise is for learning and testing only. Do not run scripts against real data, production environments, external APIs, login portals, sensitive data, critical systems, or enterprise repositories without authorization, backups, prior testing, least-privilege permissions, change control, and compliance with your organization's cybersecurity protocols.
Convertir un PDF escaneado a texto estructurado tipo Markdown y preparar la salida para revisión y extracción tabular.
Convert a scanned PDF into structured Markdown text and prepare the output for review and table extraction.
| documento | tipo | salida |
|---|---|---|
| factura_proveedor.pdf | factura escaneada | markdown |
| expediente_001.pdf | expediente físico | texto estructurado |
from docling.document_converter import DocumentConverter
converter = DocumentConverter()
resultado = converter.convert("factura_proveedor.pdf")
print(resultado.document.export_to_markdown())| campo | valor |
|---|---|
| Vendor | ABC Supplies |
| Invoice | INV-1001 |
| Total | 2450.75 |
| Status | Needs review |
# ==========================================================
# Python Advanced Topic 12
# Extracting Scanned Tables from PDFs
# ==========================================================
# pip install docling pandas
from docling.document_converter import DocumentConverter
from pathlib import Path
input_pdf = Path("factura_proveedor.pdf")
output_md = Path("factura_proveedor_extracted.md")
converter = DocumentConverter()
resultado = converter.convert(str(input_pdf))
markdown_text = resultado.document.export_to_markdown()
output_md.write_text(markdown_text, encoding="utf-8")
print("PDF conversion completed")
print(f"Output markdown: {output_md}")
print(markdown_text[:500])PDF conversion completed Output markdown: factura_proveedor_extracted.md # Invoice Vendor: ABC Supplies Invoice Number: INV-1001 Total: 2450.75
La extracción avanzada reduce el trabajo manual con PDFs escaneados, pero la revisión humana sigue siendo esencial cuando hay impacto financiero o legal.
Advanced extraction reduces manual work with scanned PDFs, but human review remains essential when financial or legal impact exists.