PDF Extraction

Estrazione e Strutturazione Dati da PDF

Skill operativa per l'analisi e l'estrazione intelligente di contenuto da documenti PDF, con particolare focus su documenti aziendali, tecnici, finanziari e legali tipici delle PMI italiane.

Distinzione Fondamentale: PDF Digitale vs Scansionato

PDF Digitale (testo selezionabile)

• Il testo è estratto direttamente e con alta fedeltà
• Le tabelle mantengono la struttura originale se ben formate
• I metadati (autore, data creazione, titolo) sono accessibili
• Velocità di elaborazione: alta
• Affidabilità: 95%+

PDF Scansionato (immagine)

• Richiede OCR (Optical Character Recognition) per estrarre il testo
• Qualità dipende da risoluzione scansione (minimo 200 DPI, ottimale 300 DPI)
• Tabelle spesso non riconoscibili come struttura — necessaria ricostruzione manuale
• Firma e timbri: riconoscibili come immagini, non come testo
• Affidabilità: 70-90% in base alla qualità
• Azione: segnalare all'utente se si tratta di scansione e il livello di confidenza

Workflow di Estrazione

Step 1: Analisi Preliminare del Documento

Prima di estrarre, identificare:

1. Tipo documento: bilancio, contratto, relazione tecnica, fattura, perizia, offerta, verbale, certificato
2. Lingua: italiano (prevalente), inglese, misto
3. Struttura: ha indice? sezioni numerate? tabelle? allegati?
4. Qualità: PDF nativo o scansione? qualità immagini?
5. Lunghezza: numero pagine, densità informativa

Comunicare all'utente il tipo rilevato e chiedere conferma dell'obiettivo di estrazione se non è esplicito.

Step 2: Identificazione Sezioni Rilevanti

Elementi Strutturali da Riconoscere

• Intestazione documento: titolo, numero protocollo, data, versione/revisione
• Intestazione pagina (header): logo, ragione sociale, codice documento
• Piè di pagina (footer): numerazione pagine, data, versione
• Indice/Sommario: struttura gerarchica capitoli
• Firme e timbri: posizione, nome firmatario, data
• Note a piè di pagina: numerazione, testo

Pattern di Riconoscimento per Tipo Documento

Bilancio / Documento Finanziario:

• Cercare: "Stato Patrimoniale", "Conto Economico", "Nota Integrativa", "Rendiconto Finanziario"
• Voci tipiche attivo: immobilizzazioni, crediti, disponibilità
• Voci tipiche passivo: patrimonio netto, TFR, debiti
• Anni di confronto in colonne parallele
• Totali e subtotali da verificare aritmeticamente

Contratto / Accordo Legale:

• Cercare: "Parti", "Premesse/Whereas", "Oggetto", "Durata", "Corrispettivo/Prezzo", "Penali", "Risoluzione", "Foro competente"
• Date: data firma, data decorrenza, date scadenza
• Importi: con e senza IVA, modalità pagamento
• Clausole di riservatezza (NDA), esclusiva, non concorrenza

Relazione Tecnica / Perizia:

• Cercare: "Premessa", "Oggetto", "Metodologia", "Risultati", "Conclusioni"
• Dati tecnici nelle tabelle: numeri con unità di misura
• Normative citate: DM, UNI, EN, ISO con anno
• Valori di calcolo, misure, verifiche

Fattura / Documento Fiscale:

• Cedente e cessionario (P.IVA, CF, indirizzo)
• Numero e data fattura
• Descrizione beni/servizi, quantità, prezzo unitario
• Imponibile, aliquota IVA, importo IVA, totale
• Codice destinatario SDI / PEC (fattura elettronica)

Step 3: Estrazione Tabelle

Le tabelle sono l'elemento più critico. Seguire questo approccio:

1. Identifica i confini: dove inizia e finisce la tabella?
2. Intestazione: la prima riga è intestazione? è su più righe?
3. Righe aggregate / subtotali: identificare e marcare
4. Celle unite (merge): ricostruire la struttura originale
5. Tabelle multi-pagina: verificare se la tabella continua nella pagina successiva
6. Unità di misura: sono nell'intestazione colonna o nelle celle?

Output formato tabella:

| Voce | Anno 2023 | Anno 2022 | Variazione % |
|------|-----------|-----------|--------------|
| Ricavi | 1.250.000 | 1.100.000 | +13,6% |
| EBITDA | 187.500 | 154.000 | +21,8% |

Step 4: Normalizzazione Dati Estratti

Numeri e Valori

• Rimuovere separatori di migliaia ambigui (punto/spazio) e standardizzare
• Formato output: usare la virgola come separatore decimale italiano
• Valori tra parentesi = negativi: "(125.000)" → -125.000
• Valori con asterisco o nota: preservare il riferimento alla nota
• Percentuali: verificare che sommino correttamente (es. quote di mercato)

Date

• Normalizzare al formato ISO esteso italiano: "15 marzo 2024" o "15/03/2024"
• Attenzione a formati ambigui: "04/05/24" → chiedere conferma mese/giorno
• Date in testo narrativo: estrarre e strutturare separatamente

Entità Nominali

• Ragioni sociali: preservare la forma esatta inclusa la forma giuridica (S.r.l., S.p.A., S.a.s.)
• P.IVA e CF: validare il formato (P.IVA: 11 cifre; CF: 16 caratteri alfanumerici)
• IBAN: formato IT + 2 cifre check + 1 lettera + 22 caratteri
• Codici normativi: preservare esattamente (DM 17/01/2018 ≠ DM 17/1/18)

Step 5: Estrazione KPI Finanziari da Bilanci

Per bilanci PMI, estrarre sistematicamente:

Conto Economico:

• Ricavi delle vendite (A1)
• Valore della produzione (A totale)
• Costi della produzione (B totale)
• EBITDA (A - B + ammortamenti)
• EBIT (A - B)
• Proventi/oneri finanziari (C)
• Risultato prima delle imposte
• Imposte
• Utile/perdita netto

Stato Patrimoniale:

• Immobilizzazioni (materiali, immateriali, finanziarie)
• Attivo circolante (magazzino, crediti, liquidità)
• Patrimonio netto
• Fondi rischi e TFR
• Debiti finanziari (a breve e lungo)
• Debiti commerciali

Calcolare e riportare:

• Totale attivo (= totale passivo + PN)
• CCN (Capitale Circolante Netto) = Attivo corrente - Passivo corrente
• PFN (Posizione Finanziaria Netta) = Debiti finanziari - Liquidità

Step 6: Output Strutturato

L'output dell'estrazione deve essere sempre strutturato in JSON o tabella markdown, mai solo testo narrativo:

{
  "tipo_documento": "bilancio_civilistico",
  "societa": "Rossi S.r.l.",
  "partita_iva": "01234567890",
  "anno_riferimento": 2023,
  "data_approvazione": "2024-04-30",
  "conto_economico": {
    "ricavi": 1250000,
    "ebitda": 187500,
    "ebit": 125000,
    "utile_netto": 78000
  },
  "stato_patrimoniale": {
    "totale_attivo": 890000,
    "patrimonio_netto": 320000,
    "pfn": 210000
  },
  "confidenza_estrazione": "alta",
  "note": ["Bilancio PDF nativo", "Anno comparativo 2022 presente"]
}

Gestione Errori e Incertezze

Segnalare Sempre

• Testo illeggibile o di bassa qualità OCR → indicare la sezione e il livello di confidenza
• Valori che non tornano aritmeticamente → segnalare la discrepanza
• Tabelle troncate o tagliate → chiedere la pagina mancante
• Contraddizioni interne al documento → evidenziare entrambi i valori

Mai Inventare

• Non completare valori mancanti con stime senza dichiararlo esplicitamente
• Non assumere un anno se non è dichiarato nel documento
• Non tradurre termini giuridici o tecnici se ambigui — preservare l'originale

Skill Correlate