Saltar al contenido principal
Ya hemos empezado a extraer datos de documentos en alemán, así que primero configuraremos la actividad Extraction Rules para estos documentos.

​
Pasos preparatorios

  1. Abre la actividad “Sick Note DE” en el Activity Editor.
  2. Selecciona uno de los documentos del conjunto de documentos.
  3. Asegúrate de que el modo avanzado para las propiedades del elemento esté habilitado. Para activar o desactivar este modo, haz clic en el icono en el panel Properties.
  4. Todos los documentos cargados han pasado por un prerreconocimiento y es útil ver qué objetos se encontraron en la imagen. Haz clic en el icono. Si no ves este icono debido al tamaño de tu pantalla, haz clic en el icono y selecciona Recognized Words. Los objetos correspondientes se resaltarán en la imagen del documento. Puedes alternar entre varios tipos de objetos resaltados en cualquier momento. Por ejemplo, cambiar a Recognized Lines puede ser útil al buscar párrafos, y cambiar a Separators facilitará la configuración de un elemento de búsqueda Separator.
  5. Si un elemento de búsqueda está fuera del área de búsqueda, no se encontrará. Habilita la opción Show search area en el menú contextual de la imagen del documento. El área de búsqueda de cada elemento se resaltará en verde cuando evalúes los resultados de coincidencia.
Ten en cuenta que puede ser útil experimentar con las propiedades avanzadas de los elementos de búsqueda para mejorar la precisión de la extracción. También te recomendamos hacer clic con frecuencia en Match para comprobar cómo funcionan tus reglas de extracción y comparar los resultados en diferentes documentos del conjunto. Puedes probar un único elemento sin relación con otros elementos haciendo clic en Match Element en su menú contextual. En este caso, la calidad de la hipótesis de elementos anteriores no afectará los resultados de coincidencia.

​
Extracción de los datos del paciente

Empecemos por extraer los datos faltantes del paciente. Para hacerlo, necesitamos crear varios elementos de búsqueda. Recomendamos agrupar todos los elementos relacionados con una misma entidad. Los elementos se comparan uno tras otro, y no encontrar el elemento superior reducirá la calidad de la hipótesis para los elementos siguientes. A la vez, los grupos de elementos de búsqueda se procesan de forma independiente entre sí durante la comparación, y se formula una hipótesis individual para cada grupo. Así, puede controlar cómo se influyen entre sí los elementos. También puede evaluar de un vistazo los resultados de la comparación comprobando si los elementos del grupo se han encontrado correctamente. Por último, la agrupación puede ayudar a reducir el tiempo de comparación.
  1. Haga clic en Create Element y seleccione el elemento Group en la lista desplegable. Cambie su nombre a “PatientDataArea”.
  2. Un nuevo elemento de búsqueda de tipo grupo se marca como obligatorio de forma predeterminada. Si no se encuentra un elemento obligatorio, el Activity Editor genera un error y se aborta la comparación. Este escenario permite omitir actividades si no son adecuadas para un determinado documento. Sin embargo, en este tutorial estamos creando una actividad para extraer datos de todos los documentos entrantes, por lo que queremos que el grupo sea opcional. En la sección Under what conditions, cambie el valor Element is a Optional.
  3. Queremos encontrar el párrafo que contiene el nombre y la dirección del paciente. En documentos en alemán, el párrafo que buscamos siempre se encuentra en el campo con la etiqueta “Name, Vorname … ”. Necesitamos localizar este texto en el documento y usarlo como referencia para buscar los datos que queremos extraer.
    a. Las palabras clave pueden localizarse con el elemento de búsqueda Static Text. Haga clic en Create Element y seleccione el elemento Static Text en la lista desplegable. Cambie su nombre a “kwPatientTitle”.
    b. Introduzca el texto “Name, Vorname” en el campo Text to find del panel Properties.
    c. Haga clic en Match. Cuando finalice el procesamiento, verá el Tree of Hypotheses debajo del documento. Asegúrese de que Advanced Designer haya encontrado correctamente el texto estático deseado. Un punto verde junto al nombre del elemento indica que se encontró correctamente un elemento correspondiente en el documento. Si hace clic en el nombre del elemento en el Tree of Hypotheses, verá un marco violeta alrededor de la región correspondiente en el documento.
Nota: Si no se encuentra un elemento, verá un punto naranja junto a su nombre y un marco naranja alrededor de la imagen del documento. Tenga en cuenta que la calidad de la hipótesis de un elemento afecta el estado de los elementos siguientes en la cadena y la calidad general de la cadena. Puede encontrar información detallada sobre la calidad de la hipótesis en la documentación.
  1. Ahora, busquemos el límite inferior de la celda que contiene el nombre y la dirección del paciente. Lo haremos usando un elemento Separator.
    a. Agrega un elemento Separator al grupo y llámalo “SeparatorBottom”. Establece su longitud mínima en 200.
    b. Haz clic con el botón derecho en el elemento y selecciona Match Element en el menú contextual. Verás que el Tree of Hypotheses contiene muchos puntos verdes. Corresponden a diferentes separadores que cumplen los criterios de búsqueda. Puedes hacer clic en cada punto para ver el objeto correspondiente en la imagen.
    c. Para acotar los criterios de búsqueda, especifica el área de búsqueda para el separador. Haz clic en Match para encontrar el elemento “kwPatientTitle” que se usará como elemento ancla. En la sección Where to search del panel Properties, haz clic en Draw on Image. Selecciona el elemento “kwPatientTitle” en el documento y haz clic en el icono de flecha hacia abajo para delimitar el área de búsqueda por debajo de la palabra clave y el icono más cercano para buscar el separador más próximo a la palabra clave. Puedes encontrar una descripción detallada de los elementos ancla en la documentación.
    d. Haz clic en Match y verifica que Advanced Designer haya encontrado el separador debajo del elemento “kwPatientTitle”. Puedes comprobar la hipótesis de cada elemento haciendo clic en su nombre en la sección Tree of Hypotheses.
  2. Una etiqueta y un separador son elementos de referencia fiables para los datos del paciente. Sin embargo, si la calidad de impresión es demasiado baja, existe la posibilidad de que el texto de la etiqueta no se reconozca o que no se encuentre el separador. Para garantizar buenos resultados de extracción, buscaremos un párrafo situado entre la etiqueta y el separador. Un párrafo es un bloque uniforme de texto, por lo que puede encontrarse correctamente incluso si no se localizaron algunos de los elementos de borde.
    a. Crea un elemento de búsqueda Paragraph y llámalo “NameAddressParagraph”.
    b. Cambia Text alignment a Left.
    c. Los datos del paciente ocupan de dos a cinco líneas, así que especifica el Line count de 2 a 5.
    d. Especifica el área de búsqueda para el párrafo. Esta vez debes usar el menú Add en la sección Where to search. El elemento debe estar ubicado debajo del elemento “kwPatientTitle” y encima del elemento “SeparatorBottom”.
    e. Haz clic en Match.
  3. Ahora queremos extraer los datos del paciente. Crea un nuevo elemento de grupo llamado “PatientGroup”.
  4. El nombre del paciente puede ocupar una o dos líneas. Para capturar varias instancias de un elemento, usaremos un grupo repetido.
    a. Crea un elemento de búsqueda Repeating Group y llámalo “NameGroup”. Especifica 2 como el número máximo de repeticiones. Haz que el elemento sea opcional.
    b. Queremos buscar las líneas que forman parte del párrafo “NameAddressParagraph”. Para especificar la región del elemento como área de búsqueda, haz clic en el icono del editor de código debajo de la imagen del documento y pega el siguiente script en la sección Search Conditions del Code Editor:
RSA:PatientDataArea.NameAddressParagraph.Rect;
c. Dentro del grupo repetido, cree un elemento Character String diseñado para capturar una línea de caracteres. Llámelo “NameLine”.
d. El texto que buscamos puede contener letras mayúsculas y minúsculas, así como un conjunto de signos de puntuación que pueden aparecer en nombres. Configure dos conjuntos de caracteres por separado. El primer conjunto debe contener todas las letras latinas en mayúsculas y minúsculas. Para agregar caracteres con signos diacríticos, cambie el subrango Unicode o pegue los caracteres directamente en el campo Selected characters.
e. El otro conjunto debe contener los siguientes signos de puntuación: ,-.()’. No queremos que la cadena contenga solo signos de puntuación, así que establezca Portion in text, % para el segundo conjunto en 40%. Esta propiedad define el porcentaje máximo permitido de caracteres de un conjunto determinado. Nota: La configuración predeterminada permite que la cadena contenga hasta un 30% de caracteres no incluidos en ningún conjunto. Esto ayuda a encontrar cadenas incluso cuando algunos caracteres se reconocen incorrectamente o no están incluidos en el conjunto (como los caracteres con signos diacríticos). Puede ajustar esta configuración cambiando el valor de Allowed errors en el panel Properties. f. Desactive la opción Search for parts of words.
g. Especifique el área de búsqueda para el elemento “NameLine”: debajo del elemento “kwPatientTitle” y lo más cerca posible de este.
h. Haga clic en Match y revise el Tree of Hypotheses. Verá que se encuentran dos cadenas. Sin embargo, la segunda cadena contiene la dirección del paciente.
i. Para excluir la dirección de los resultados de búsqueda, comprobaremos si la primera cadena contiene tanto el nombre como el apellido. Esto se puede hacer agregando una condición de búsqueda con un script sencillo. Seleccione el elemento de búsqueda “NameLine” y abra el editor de código Search Conditions.
j. Suponemos que la primera línea contiene un nombre completo si incluye una coma y un espacio. Si contiene un nombre completo, no queremos buscar una segunda instancia del grupo repetido. Pegue el siguiente script en el editor: 
if (NameGroup.HasInstances and LastFound.NameLine.Value.Find(", ") > 0) then DontFind;
k. Haga clic en Match y asegúrese de que el nombre se haya encontrado correctamente.
  1. El nombre del paciente extraído en el paso 7 se mapeará al campo “Name”. También extraeremos y mapearemos la dirección del paciente.
    a. Dentro de “PatientGroup”, cree un elemento de búsqueda Character String llamado “Address” con la misma configuración del conjunto de caracteres que el elemento “NameLine”.
    b. Especifique el área de búsqueda del elemento mediante código: la dirección debe ubicarse debajo de “NameLine” o, si no se encontró este elemento, debajo de la primera línea del elemento “NameAddressParagraph”.
RSA: PatientDataArea.NameAddressParagraph.Rect;
if NameGroup.HasInstances then
  RSA.Top: Max(RSA.Top, LastFound.NameLine.Rect.Bottom);
else
  RSA.Top: PatientDataArea.NameAddressParagraph.Lines[0].Rect.Bottom;
c. Desactive la opción Search for parts of words. d. Haga clic en Match. Así debería verse la estructura del elemento de búsqueda: AD_Tutorial_DE_Patient_Structure
  1. Abra el cuadro de diálogo Manage Fields, cree los campos correspondientes y asígnelos a los elementos de búsqueda como se indica a continuación:
NameTypeSearch element
NameText field in the “Patient” groupNameLine
AddressText field in the “Patient” groupAddress
  1. Elimine los elementos de búsqueda que se crearon automáticamente para los nuevos campos.

​
Extracción del tipo de baja médica

El campo del tipo de baja médica tiene dos casillas de verificación. Están etiquetadas como “Erstbescheinigung” y “Folgebescheinigung”. La tarea consiste en encontrar las etiquetas y luego comprobar si hay marcas de verificación rellenas junto a ellas.
  1. Cree un elemento Group llamado “TypeOfSickNoteGroup”. Haga que el elemento sea opcional.
  2. Para almacenar la información sobre ambas marcas de verificación, cree un elemento de búsqueda Repeating Group y llámelo “PrimaryGroup”.
    a. Es recomendable restringir el área de búsqueda para el grupo de elementos. Especifique el área de búsqueda mediante código: a la derecha del elemento “PatientGroup” y por encima del elemento “DoctorAreaGroup” (que se creará más adelante). Nota: Indique siempre la condición “Exists” cuando use elementos futuros.
if PatientGroup.Exists then RSA.Left: PatientGroup.NameGroup.NameLine.Rect.Right;
if DoctorAreaGroup.Exists then RSA.Bottom: DoctorAreaGroup.DataArea.SeparatorTop.Rect.Top;
b. Cree un elemento de búsqueda Static Text llamado “kwPrimary” (texto a buscar: “Erstbescheinigung”) y márquelo como obligatorio.
c. Cree un elemento de búsqueda Object Collection llamado “Checkmark” con la configuración siguiente: Type: Checkmark, Checkmark state: Checked, Minimum height: 10, Maximum width: 20, Maximum height: 20. Especifique que el elemento esté ubicado a la izquierda del elemento “kwPrimary” y lo más cerca posible de este.
d. Haga clic en Match.
  1. Copie y pegue el grupo “PrimaryGroup”. Cambie el nombre del grupo copiado a “SecondaryGroup”. Este grupo será obligatorio.
  2. Edite el “SecondaryGroup”.
    a. Cambie el nombre del elemento “kwPrimary” a “kwSecondary” y establezca el texto a buscar en “Folgebescheinigung”. Especifique el área de búsqueda: debajo del elemento “kwPrimary” del “PrimaryGroup”.
    b. Especifique el área de búsqueda para el elemento “Checkmark”: a la izquierda de “kwSecondary” y lo más cerca posible de este.
    c. El elemento de búsqueda Object Collection encuentra una colección de todos los objetos adecuados dentro del área de búsqueda. Si las casillas de verificación están en la misma línea, el elemento “Checkmark” del “SecondaryGroup” también puede encontrar la casilla primaria. Para evitarlo, excluya la casilla de verificación primaria (elemento “Checkmark” del “PrimaryGroup”) del área de búsqueda del elemento “Checkmark” del “SecondaryGroup”.
    d. Haga clic en Match.
Así debería verse la estructura del elemento de búsqueda: AD_Tutorial_DE_TypeOfSickNote_Structure
  1. Abra la ventana Manage Fields, cree los campos correspondientes y asígnelos a los elementos de búsqueda de la siguiente manera:
NameTypeSearch element
Type of Sick NoteCheckmark group
PrimaryCheckmark in the “Type of Sick Note” checkmark groupPrimaryGroup -> Checkmark
SecondaryCheckmark in the “Type of Sick Note” checkmark groupSecondaryGroup -> Checkmark
  1. Elimine los elementos de búsqueda que se crearon automáticamente para los nuevos campos.

​
Extracción de los datos del médico

Ahora debemos procesar el último bloque de datos de estos documentos. Contiene los datos del médico y la firma. Primero localizaremos el recuadro que contiene los datos y luego extraeremos un párrafo con la información del médico y una región de imagen que contenga la firma.
  1. Cree un elemento Group llamado “DoctorAreaGroup”. Marque el elemento como opcional.
  2. El recuadro que buscamos contiene una etiqueta. Para encontrarla, cree un elemento Static Text llamado “kwDoctorTitle” (texto a encontrar: “Unterschrift des Arztes”).
  3. Dentro del grupo “DoctorAreaGroup”, cree otro grupo llamado “DataArea”.
  4. El recuadro que contiene la información y la firma del médico es una combinación de cuatro separadores. Están ubicados alrededor del elemento “kwDoctorTitle”. No obstante, debemos configurar los elementos de forma que el programa pueda encontrarlos incluso si no se encontrara el elemento “kwDoctorTitle”. En el grupo “DataArea”, cree cuatro elementos de búsqueda Separator con las siguientes propiedades:
NameOrientationMinimum lengthSearch area
SeparatorRightVertical180Right of “kwDoctorTitle”, Nearest to the right page edge
SeparatorLeftVertical180Left of “kwDoctorTitle”, Left of “SeparatorRight” (in case “kwDoctorTitle” wasn’t found), Nearest to “SeparatorRight”, Below “SeparatorRight” (click the icon to the right of the separator name and select Top Boundary of Region), Exclude “SeparatorRight”
SeparatorBottomHorizontal200Below “kwDoctorTitle” (with adjustment of -10 points), Right of “SeparatorLeft”, Left of “SeparatorRight”, Nearest to the bottom page edge (this setting will be useful in case “kwDoctorTitle” wasn’t found)
SeparatorTopHorizontal200Above “kwDoctorTitle”, Right of “SeparatorLeft”, Nearest to “TypeOfSickNoteGroup”, Exclude “SeparatorBottom”
También debe desactivar la opción Fits entirely within search area para todos estos elementos.
  1. Podríamos especificar manualmente el área de búsqueda de la firma y la información del médico con respecto a los separadores encontrados. En lugar de ello, crearemos un elemento Region que corresponda al área delimitada por los separadores. Cree un elemento de búsqueda Region llamado “BoxRegion” y especifique el área de búsqueda: left of “SeparatorRight”, right of “SeparatorLeft”, above “SeparatorBottom”, y below “SeparatorTop”.
  2. Cree un nuevo grupo llamado “DoctorGroup”.
  3. Para localizar la firma del médico, cree un elemento Object Collection con la siguiente configuración dentro de “DoctorGroup”:
PropertyValue
NameSignature
TypePicture
Minimum width15
Minimum height15
Maximum width600
Maximum height350
Search Conditions section of the Code EditorLa firma puede estar parcialmente fuera del recuadro. Para encontrar la imagen completa, ampliaremos el área de búsqueda en 100 puntos en cada dirección: RSA: DoctorAreaGroup.DataArea.BoxRegion.Rect.GetInflated(100dot,100dot);
  1. Para extraer la información de texto del recuadro, cree un elemento Paragraph con la siguiente configuración:
PropertyValue
NameDoctorInformation
Maximum line count6
Search areaAbove “kwDoctorTitle”, Exclude “Signature”
Search Conditions section of the Code EditorRSA: DoctorAreaGroup.DataArea.BoxRegion.Rect;
  1. Haga clic en Match y asegúrese de que los elementos se encuentren correctamente.
Así debería verse la estructura de los elementos de búsqueda: AD_Tutorial_DE_Doctor_Structure
  1. Abra el cuadro de diálogo Manage Fields, cree los campos correspondientes y asígnelos a los elementos de búsqueda de la siguiente manera:
NameTypeSearch element
Doctor InformationText field in the “Doctor” groupDoctorInformation
SignatureImage field in the “Doctor” groupSignature
  1. Elimine los elementos de búsqueda que se crearon automáticamente para los nuevos campos.

​
Probar la actividad

Hemos configurado todos los elementos de búsqueda y campos necesarios. Seleccione todos los documentos, haga clic en Match y cambie a la pestaña Fields para revisar las regiones de campo en las imágenes del documento. Tenga en cuenta que una región solo se asignará a un campo si pertenece a la hipótesis de la mejor ruta. Cuando esté satisfecho con los resultados, haga clic en el icono de copiar sobre la imagen del documento para copiar el etiquetado previsto al etiquetado de referencia.