Extraer datos de un PDF

Esto es lo que más se pide y lo que peor se comprueba: pasarle un PDF —una nómina, una analítica, un albarán, un informe— y pedirle los datos en una tabla. Funciona, ahorra un rato largo, y falla de una manera muy concreta que hay que conocer antes de fiarse.

Dos PDF que se llaman igual y no se parecen en nada

Las tres reglas

1. Nombra los campos, uno a uno

«Sácame los datos» deja que el modelo decida qué es un dato. «Sácame salario base, complementos, total devengado, total deducido y líquido» no deja nada a su criterio — y si alguno no está, se nota, porque falta una fila.

2. Exígele «no legible» en vez de una suposición

Es la pieza «qué hacer si no lo sabe» de la lección 1, y aquí es la que decide todo. Sin ella, un campo ilegible sale relleno.

3. Cuadra las cuentas contra el papel

Es la comprobación más barata que existe y la que caza el error real, porque una cifra mal leída casi nunca cuadra con el resto del documento:

Un prompt que funciona

Te paso una nómina. Extrae SÓLO estos campos, en una tabla:
periodo · categoría · salario base · complementos (uno por fila)
· total devengado · total deducido · líquido a percibir.

Si un campo no se lee con seguridad, escribe «no legible».
NO lo deduzcas de los demás ni lo calcules tú.

Al final, dime si el total devengado cuadra con la suma de
los conceptos, y si el líquido cuadra con devengado − deducido.

Ese último párrafo es el que convierte la extracción en algo comprobable: le pides la cuenta y tú sólo tienes que mirar si dice que cuadra.

Y el PDF es de alguien

Para el caso concreto de la nómina propia, este sitio tiene una herramienta que hace justo esto y compara lo extraído contra las tablas del convenio: la diferencia es que ahí el documento no va a un chat general, la comparación no la improvisa un modelo y el informe lo revisa un farmacéutico.

Un ejemplo entero, con lo que falla

El prompt de arriba termina pidiéndole que cuadre las cuentas. Este ejemplo enseña por qué esa comprobación, tal como está escrita, no vale para nada — y qué hay que hacer en su lugar. Es el fallo más caro de toda la lección y no se ve leyendo la respuesta.

Se le pasa la foto de una nómina (no un PDF con texto: una foto hecha con el móvil, que es como llegan casi todas) y el prompt completo de arriba.

Y ahora, qué falla en esa respuesta:

1. La comprobación es circular, y por eso siempre cuadra. Ha sumado lo que él mismo leyó, no lo que pone en el papel. El salario base del original era 1.240,00 € y lo leyó como 1.249,00: a partir de ahí, todos sus números son coherentes entre sí y ninguno es el de la nómina. Pedirle que cuadre sus propias cifras es pedirle que se corrija con los mismos datos que se acaba de inventar — sale «todo cuadra» pase lo que pase. Y ese «todo cuadra correctamente» es justo lo que hace que nadie vuelva a mirar el papel.
2. Un 4 borroso y un 9 se parecen. Nueve euros al mes. En una foto con sombra, el trazo de un 4 cerrado es casi un 9. El modelo no «duda»: elige el que encaja y lo escribe con el mismo aplomo que los otros dígitos. No sale en cursiva, no viene con un aviso y no baja de tamaño. Nueve euros al mes son 126 € al año contando las pagas — y en una reclamación de atrasos, con tres años detrás, es la reclamación entera. En una analítica, el mismo error cambia un valor de referencia.
3. Los complementos vienen fundidos en una sola cifra. Le pediste «complementos, uno por fila» y ha devuelto 170,90 € de una pieza. El total es el mismo, así que la cuenta cuadra y no falta nada a la vista — pero se ha perdido qué parte era «a cuenta de convenio», que es un complemento absorbible, y qué parte era antigüedad, que no lo es. Justo el reparto que decide si esa nómina está bien o mal. El error no está en un número: está en una fila que no existe.
4. Y no ha escrito «no legible» ni una vez. Se lo pediste expresamente y en la foto hay una esquina con sombra. La instrucción de «qué hacer si no lo sabe» es la pieza clave de todo el Nivel 2 y aquí no basta con escribirla: el modelo no percibe que un dígito esté borroso del mismo modo que tú, porque no está mirando una imagen dudosa — está produciendo el texto más probable dado lo que ve. La forma de comprobar si la instrucción funciona es dársela con un documento que tenga un trozo tapado a propósito. Si no dice nada, no la está aplicando.

La comprobación que sí sirve tiene una diferencia de una palabra, y lo cambia todo: «dime qué pone en la casilla de TOTAL DEVENGADO del documento, y compáralo con la suma de los conceptos que has extraído». Ahí hay dos fuentes distintas —lo impreso en una casilla y la suma de otras— y entonces sí puede haber discrepancia. Con la nómina de arriba habría salido: suma 1.419,90, casilla 1.410,90, no cuadra. Y ahí ya sabes que hay un dígito mal leído y dónde.

La regla general vale para cualquier documento: una comprobación sólo vale si puede fallar. Si la respuesta es «cuadra» pase lo que pase, no estabas comprobando nada.

Y si tu farmacia no es así

Cuando no sale a la primera

Antes de dar esto por aprendido

• Antes de subir un PDF miro si puedo seleccionar texto dentro.
• Nombro los campos que quiero, uno a uno.
• Le exijo «no legible» y compruebo que lo usa de verdad.
• Cuadro los totales antes de dar por buena ninguna cifra.
• Si el documento es de otra persona, no lo subo.

← Anterior: resumir un artículo Siguiente: material para pacientes →