Seminar Docling – Tabellen, Layout und strukturierte Daten extrahieren

Tabellen wirken auf einer PDF-Seite oft eindeutig, können technisch jedoch aus unabhängig positionierten Textstücken bestehen. Zusammengefasste Zellen, mehrzeilige Überschriften und Seitenumbrüche erschweren die Übernahme in auswertbare Daten. Das Seminar verbindet die strukturierte Verarbeitung mit Docling mit kontrollierter Nachbearbeitung und fachlicher Prüfung.

An ausgewählten Dokumentklassen werden Layout- und Tabellenergebnisse mit den Originalseiten abgeglichen. Exportierte Tabellen werden normalisiert, Zahlen- und Datumsdarstellungen geprüft und wiederkehrende Felder über nachvollziehbare Regeln zugeordnet. Dabei wird klar zwischen der Erkennung einer Dokumentstruktur und der fachlich richtigen Interpretation ihrer Inhalte unterschieden.

Im Mittelpunkt steht ein begrenztes, realistisch prüfbares Extraktionsszenario. Statt beliebige Formulare automatisch als korrekt zu behandeln, entstehen dokumentklassenspezifische Regeln, eine Fehlerablage und eine manuelle Prüfschleife. Für Tabellen über mehrere Seiten werden Zusammenführungsregeln erarbeitet; ihre automatische Richtigkeit wird nicht vorausgesetzt.

Lernziele

• Layout- und Tabellenfehler in Docling-Ausgaben systematisch lokalisieren.
• Erkannte Tabellen in geeignete Weiterverarbeitungsformate überführen.
• Zahlen, Datumswerte und Spaltenbezeichnungen nachvollziehbar normalisieren.
• Felder für eine begrenzte Dokumentklasse regelbasiert zuordnen und validieren.
• Unvollständige oder widersprüchliche Ergebnisse in einen manuellen Prüfprozess übergeben.

Zielgruppe

Data Engineers, Entwickler von Dokumentenprozessen und technische Fachkräfte, die Tabellen oder fachliche Felder aus Dokumenten gewinnen müssen.

Voraussetzungen

Kenntnisse aus dem Docling-Grundlagenseminar oder gleichwertige Erfahrung mit DocumentConverter und DoclingDocument. Python-Grundkenntnisse und erste Erfahrung mit tabellarischen Daten.

Inhaltsübersicht

1. Layout und Tabellen verstehen
2. Konfiguration und Vergleich
3. Export und Normalisierung
4. Feldregeln und mehrseitige Tabellen
5. Fachliche Prüfung und Freigabe

Layout und Tabellen verstehen

• Mehrspaltigen Text, Kopf- und Fußbereiche sowie Tabellenregionen unterscheiden.
• Tabellenerkennung und Lesereihenfolge mit der tatsächlichen Seitenansicht vergleichen.
• Mehrzeilige Überschriften, zusammengefasste Zellen und leere Werte gezielt untersuchen.

Konfiguration und Vergleich

• Geeignete Tabellenoptionen für einen festgelegten Übungsbestand vergleichen.
• OCR-Fehler von Fehlern der Tabellenstruktur unterscheiden.
• Varianten anhand von Zellzuordnung, Vollständigkeit und fachlich wichtigen Werten bewerten.

Export und Normalisierung

• Erkannte Tabellen in DataFrames übernehmen und nach CSV oder HTML ausgeben.
• Dezimaltrennzeichen, Tausendertrennzeichen, Datumsformate und Einheiten kontrolliert behandeln.
• Rohwerte, normalisierte Werte und Herkunft im Dokument nachvollziehbar zusammenhalten.

Feldregeln und mehrseitige Tabellen

• Wiederkehrende Felder anhand von Bezeichnungen, Kontext und einfachen Python-Regeln zuordnen.
• Fortsetzungstabellen über Seiten hinweg anhand eindeutiger Kriterien zusammenführen.
• Mehrdeutigkeiten, fehlende Pflichtwerte und ungewöhnliche Layoutvarianten als Ausnahmen behandeln.

Fachliche Prüfung und Freigabe

• Summen, Wertebereiche und Pflichtfelder als nachvollziehbare Prüfregeln implementieren.
• Ergebnisstichproben mit erwarteten Werten vergleichen und Fehlerklassen bilden.
• Korrekturen nachvollziehbar protokollieren und geprüfte Ergebnisse getrennt bereitstellen.

Praktische Übungen

1. Einen begrenzten Dokumenttyp und die benötigten Felder festlegen.
2. Tabellen extrahieren und ihre Struktur zeilen- und zellenweise am Original prüfen.
3. Exportierte Werte normalisieren und Rohwerte für die Nachprüfung erhalten.
4. Feldregeln und Plausibilitätsprüfungen implementieren.
5. Ein mehrseitiges Beispiel und einen absichtlich fehlerhaften Fall durch die manuelle Prüfschleife führen.

Arbeitsumgebung

Vorbereitete Docling- und Python-Umgebung mit tabellarischer Datenverarbeitung sowie anonymisierten Berichten und Belegen. Die Übungen verwenden feste Dokumentklassen und benötigen kein externes Sprachmodell.