Cómo extraer datos de facturas en PDF automáticamente
Extraer datos de una factura en PDF de forma automática significa convertir un documento no estructurado (texto e imágenes) en campos de datos tipados: NIF del proveedor, fecha, base imponible, tipo de IVA, total, líneas de producto. Para hacerlo con fiabilidad hacen falta tres pasos encadenados: parsear el documento (leer su contenido y su disposición visual), extraerlo contra un schema de campos definido de antemano, y validar el resultado antes de que llegue a tu ERP o a contabilidad.
Esto vale igual si la factura llega en PDF nativo, como foto o escaneo de papel, o como XML de Facturae: anyformat acepta los tres como formato de entrada, además de Office, imágenes, email y hojas de cálculo. Y el punto que casi ninguna guía sobre "extraer datos de facturas" menciona: procesar las facturas que recibes es solo la mitad del ciclo de facturación. La otra mitad, la que tú emites, la regula VeriFactu, y son dos problemas distintos con dos soluciones distintas.
¿De dónde vienen las facturas que hay que procesar?
Una factura entra a tu empresa de cuatro formas distintas, y un sistema de extracción tiene que aceptar las cuatro sin que cambie el resultado.
El primer paso técnico, antes de extraer nada, es normalizar: cualquier documento (PDF nativo, imagen escaneada o foto, email, o XML) se convierte a una representación común antes del reconocimiento de texto y el análisis de layout. Esto incluye las facturas en Facturae, el estándar de factura electrónica en XML usado en España: no es un extractor de campos específico de Facturae, es soporte de formato — el mismo pipeline de parseo y extracción que se aplica a un PDF se aplica a un XML.
¿Qué hace falta para convertir una factura en datos estructurados?
Extraer datos de una factura no es leer texto: es rellenar un schema con campos y tipos definidos de antemano.
Un schema de extracción define qué campos quieres (NIF, fecha, base imponible, tipo de IVA, total, líneas de producto) y de qué tipo es cada uno: texto, número, fecha, o un objeto anidado para las líneas de una tabla. Sobre ese schema corre un nodo de extracción que puede activar comprobaciones adicionales: extracción fila a fila para las líneas de producto, y verificación numérica de que los totales cuadran con la suma de las líneas.
¿Cómo se valida que los datos extraídos son correctos?
Con anyformat, cada dato extraído lleva confianza calibrada y evidencia visual apuntando al lugar exacto de la factura de donde salió.
Además del schema, un nodo de validación aplica reglas en lenguaje natural sobre los campos ya extraídos (por ejemplo, que el NIF tenga un formato válido, o que la base imponible más el IVA cuadre con el total), con severidad de error o aviso. Lo que supera el umbral de confianza se contabiliza solo; lo dudoso va a revisión humana con la prueba al lado, sobre el PDF, resaltando el bloque exacto de donde salió el dato.
¿Qué pasa cuando cada proveedor manda las facturas en un formato distinto?
Cada proveedor factura distinto, y un sistema que solo funciona con una plantilla fija se rompe con el segundo proveedor.
Este es exactamente el caso de uso que cubre extraer datos de facturas con formato distinto por proveedor: cómo diseñar un schema y un workflow que aguante variación real entre proveedores, no solo el PDF de la demo.
¿Resuelve esto también VeriFactu?
VeriFactu regula las facturas que emites; no resuelve nada sobre las facturas que recibes.
La automatización completa del ciclo de facturación tiene dos mitades. La primera, cumplir con VeriFactu al emitir, depende de tu software de facturación. La segunda, extraer, validar y contabilizar lo que te llega de tus proveedores, es la que cubre esta guía. Si además necesitas los plazos exactos de VeriFactu y una comparativa de software para la parte de emisión, esa pieza vive aparte: VeriFactu: cómo automatizar tus facturas antes de 2027.
Guía completa: automatizar la facturación y el procesamiento documental en España
Esta guía es la puerta de entrada a seis piezas más específicas, cada una centrada en una pregunta distinta.
- Extraer datos de facturas con formato distinto por proveedor: cómo diseñar la extracción cuando cada proveedor factura en su propio formato.
- Automatizar la extracción de cualquier documento PDF: lo mismo que en esta guía, aplicado a contratos, albaranes y cualquier documento, no solo facturas.
- VeriFactu: cómo automatizar tus facturas antes de 2027: los plazos de 2027, qué exige el reglamento, y una comparativa de software de facturación.
- Pasar los datos de tus facturas a Excel: cómo llevar los campos extraídos de un lote de facturas a una hoja de cálculo lista para usar.
- Qué soluciones de IA existen para procesar documentos: el panorama de herramientas y enfoques, de OCR simple a extracción agéntica.
- Qué es el procesamiento inteligente de documentos (IDP): la definición y los conceptos detrás de todo lo anterior.
Preguntas frecuentes
¿Necesito programar algo para extraer datos de mis facturas?
No necesariamente: un schema de extracción se define declarando los campos y sus tipos, no escribiendo un parser a medida. El trabajo que sí hace falta es decidir qué campos necesitas y qué reglas de validación aplican a tu caso.
¿Funciona con facturas escaneadas o solo con PDF nativo?
Con ambas. Cualquier imagen o escaneo pasa por reconocimiento de texto y análisis de layout antes de llegar al mismo pipeline de extracción que un PDF nativo.
¿Puedo procesar facturas en Facturae (XML), no solo en PDF?
Sí. XML es un formato de entrada soportado, lo que cubre facturas emitidas en Facturae además de PDF, escaneos, Office, imágenes y email.
¿Qué pasa con los datos que el sistema extrae con poca confianza?
Van a revisión humana con la evidencia visual junto al campo dudoso; no se contabilizan a ciegas. Lo que supera el umbral de confianza calibrada se procesa sin intervención.
¿Esto me exime de cumplir VeriFactu?
No, son cosas distintas. VeriFactu regula cómo emites tus propias facturas; esta guía cubre cómo procesas las facturas que recibes de tus proveedores. Para la parte de emisión, ver la guía de VeriFactu enlazada arriba.
