Extracción de tablas complejas y diseños avanzados

Tablas multipágina, celdas combinadas, diseños anidados — extraídos con la estructura intacta.

El problema: la estructura es la primera víctima

Los documentos con tablas complejas y diseños elaborados son donde la mayoría de herramientas de extracción fallan. El OCR estándar lee caracteres pero pierde las relaciones espaciales. Los LLMs procesan texto pero no pueden reconstruir de forma fiable la estructura de tablas a partir de entrada visual. Incluso herramientas especializadas convierten las tablas a Markdown, lo que aplana las celdas combinadas, destruye las expansiones de filas y elimina la estructura relacional que da significado a los datos.

Los documentos del mundo real que más importan — estados financieros con subtablas anidadas, historiales médicos con resultados de laboratorio multipágina, pólizas de seguros con matrices de cobertura, especificaciones técnicas con tablas de parámetros — son exactamente los que se rompen.

Una tabla que abarca tres páginas con celdas de cabecera combinadas y grupos de filas jerárquicos no es un caso extremo. Es el día a día.

Pipeline multietapa: del diseño a la estructura y a la extracción

anyformat procesa documentos complejos a través de un pipeline multietapa que separa el análisis de diseño, el reconocimiento de estructura y la extracción de datos en fases diferenciadas:

Fase 1 — Análisis de diseño: El sistema identifica las regiones del documento: bloques de texto, tablas, figuras, cabeceras, pies de página y elementos decorativos. Cada región se clasifica y se ancla espacialmente.

Fase 2 — Reconocimiento de estructura: Para las tablas, el sistema reconstruye la estructura completa de la cuadrícula: límites de filas y columnas, celdas combinadas, jerarquías de cabeceras y relaciones de expansión. Para tablas multipágina, la estructura se ensambla entre saltos de página preservando la continuidad.

Fase 3 — Extracción de datos: Con la estructura comprendida, el sistema extrae los valores en sus posiciones correctas dentro de la estructura reconocida. La salida es JSON estructurado que preserva cada relación — no texto aplanado.

Esta separación importa. Cuando el análisis de diseño, el reconocimiento de estructura y la extracción se colapsan en un solo paso (como hacen la mayoría de herramientas basadas en LLMs), el sistema tiene que resolver tres problemas simultáneamente. Los errores se componen. anyformat los resuelve en secuencia, con cada fase validando la anterior.

Preservación de la estructura de tablas entre saltos de página

Cuando una tabla empieza en la página 4 y termina en la página 7, la mayoría de herramientas tratan cada fragmento de página de forma independiente. El resultado son cuatro tablas parciales separadas con cabeceras perdidas, filas duplicadas y relaciones rotas.

anyformat detecta las continuaciones de tablas entre saltos de página y reconstruye la tabla completa como una estructura única. Las cabeceras se asocian con todas las filas que gobiernan, incluso cuando la fila de cabecera está a varias páginas de distancia de los datos. Los grupos de filas y subtotales mantienen sus relaciones jerárquicas a lo largo de todo el documento.

Gestión de celdas combinadas y diseños anidados

Las celdas combinadas — tanto expansiones horizontales como verticales — son una fuente persistente de errores de extracción. Una celda que abarca tres filas genera ambigüedad: ¿a qué fila pertenece el valor? Una cabecera que abarca cinco columnas agrupa esas columnas semánticamente, pero la mayoría de herramientas pierden esa agrupación.

anyformat modela explícitamente las expansiones de celdas en su estructura de salida. Una celda combinada se representa con sus coordenadas de expansión, no se duplica entre filas ni se colapsa en la primera celda. Las tablas anidadas (tablas dentro de celdas de tabla) se extraen recursivamente como subobjetos estructurados.

Detección y clasificación de figuras

Los documentos complejos contienen más que texto y tablas. Gráficos, diagramas, fotografías, firmas, sellos e imágenes incrustadas portan información que la extracción de texto pasa por alto.

anyformat detecta figuras dentro de los documentos, las clasifica por tipo (gráfico, diagrama, fotografía, firma) y genera descripciones estructuradas que capturan lo que el elemento visual representa en contexto. Esto es particularmente valioso para documentos técnicos, informes de inspección y artículos científicos donde las figuras son contenido fundamental.

Puntuación de confianza por celda

No todas las celdas de una tabla compleja son igual de fáciles de extraer. Un valor numérico bien impreso en una tabla estructurada puede merecer un 99% de confianza. Una anotación manuscrita en una celda combinada que cruza un salto de página puede merecer un 60%.

anyformat asigna puntuaciones de confianza calibradas a nivel de celda, no solo a nivel de documento o de campo. Esto significa que los sistemas downstream y los revisores humanos saben exactamente en qué valores confiar y cuáles verificar. El coste de un valor erróneo en una tabla financiera o un historial médico no es abstracto — la confianza por celda hace que la revisión sea eficiente y focalizada.

Sin conversión con pérdida a Markdown

Muchas herramientas de extracción — incluidas LlamaParse y otros parsers orientados a RAG — convierten documentos a Markdown como representación intermedia. Markdown es un formato de texto. No fue diseñado para representar estructura de tablas.

Cuando una tabla con celdas combinadas, cabeceras jerárquicas y expansiones multipágina se convierte a Markdown, el resultado es una cuadrícula delimitada por pipes que ha perdido la mayor parte de su información estructural. Esa pérdida es normalmente irrecuperable — la extracción downstream no puede reconstruir lo que la conversión destruyó.

anyformat genera JSON estructurado que preserva la estructura completa de la tabla. Expansiones de filas, expansiones de columnas, jerarquías de cabeceras, tipos de celda y relaciones posicionales se mantienen íntegramente. Sin paso intermedio de Markdown. Sin conversión con pérdida.

El benchmark RD-TableBench de Reducto demuestra lo difícil que es la extracción de tablas complejas. anyformat aborda ese reto preservando la estructura a lo largo de todo el pipeline, desde el análisis de diseño hasta la salida final en JSON.

Anclaje visual: ved lo que el sistema ve

Cada valor extraído en anyformat está anclado visualmente — vinculado a su posición exacta en el documento fuente. Cuando un revisor cuestiona un valor, puede ver el bounding box en el documento original, verificando no solo el texto extraído sino dónde lo encontró el sistema.

Para diseños complejos donde el mismo número puede aparecer en múltiples celdas de tabla, el anclaje visual elimina la ambigüedad sobre qué celda fue extraída.

Diseñado para los documentos que rompen todo lo demás

Si vuestros documentos son formularios simples de una página con diseños consistentes, la mayoría de herramientas funcionarán. Si vuestros documentos contienen tablas multipágina con celdas combinadas, estructuras anidadas, figuras y anotaciones manuscritas, necesitáis un pipeline construido para la complejidad.

Probad anyformat con vuestros documentos más complejos →

anyformat es la plataforma de inteligencia documental diseñada para empresas que procesan documentos complejos y de alto valor. Certificado ISO 27001, conforme con el GDPR, con procesamiento de retención cero y despliegue on-premise. Más información en anyformat.ai