Ein Screenshot einer Amazon-Bestellung mit mehreren Artikeln
sieht aus wie ein Chaos — Warum Sie trotzdem saubere Daten daraus gewinnen können
Sie haben sieben Dinge in einer Amazon-Bestellung gekauft. Die Rechnungsseite zeigt einen dichten Block von Artikeln, die jeweils durch eine dünne graue Linie getrennt sind. Einige Produktnamen enden mit Auslassungspunkten. Bei einigen Artikeln steht „Verkauft von“ darunter, was zusätzlichen Text hinzufügt, der nicht zur nächsten Zeile gehört. Das Ganze wirkt, als wäre es darauf ausgelegt, jeden automatischen Extraktionsversuch zu vereiteln.
Die wichtigsten Erkenntnisse
- Sieben Amazon-Artikel, die hinter grauen Trennlinien gestapelt sind, sehen nach einer lästigen Dateneingabe aus – aber jede graue Linie, jeder abgeschnittene Name und jedes Drittanbieter-Badge, die die Seite chaotisch erscheinen lassen, geben der visuellen KI eine vollständige Zeilenkarte, bevor sie auch nur ein einziges Zeichen liest.
- Herkömmliche OCR zerteilt die Seite an jeder grauen Linie, weil sie diese als Dokumentgrenzen behandelt, aber ein Vision Language Model betrachtet den gesamten Screenshot auf einmal und nutzt dieselben Linien so, wie Sie die Perforationen eines Kassenbons nutzen – um Artikel zu zählen, nicht um sie zu zerschneiden.
- Je dichter der Amazon-Bestell-Screenshot, desto schneller und genauer wird die Extraktion – visuelles Durcheinander ist für visuelle KI kein Rauschen, sondern ein Überfluss an kostenlosen strukturellen Orientierungspunkten, die das Seitenlayout völlig eindeutig machen.
Warum ein Amazon-Screenshot mit mehreren Artikeln auf den ersten Blick hoffnungslos wirkt
Lassen Sie uns die spezifischen Dinge benennen, die diese Art von Screenshot auf den ersten Blick unmöglich automatisch parsen lassen. Es sind keine vagen Probleme – jedes einzelne ist ein konkretes Hindernis, an dem herkömmliche Extraktionsmethoden scheitern.
Graue Trennlinien. Amazon zeichnet auf der Bestellübersichtsseite eine dünne, graue horizontale Linie zwischen jeder Artikelzeile. Für eine herkömmliche OCR-Engine – die funktioniert, indem sie Textbereiche erkennt und dann versucht, sie zu sinnvollen Gruppen zusammenzusetzen – sehen diese Linien wie Grenzen aus. Sie behandelt jeden Artikel als eigene isolierte Textzone, und wenn etwas in isolierte Zonen aufgeteilt wird, muss die Engine raten, wie diese zueinander in Beziehung stehen. Gehörte der Preis am rechten Rand von Zone zwei zu Zone zwei oder zu Zone drei? Die OCR hat keine Möglichkeit, das zu wissen.
Abgeschnittene Produktnamen. „Logitech G502 X PLUS LIGHTSPEED Wireless Gaming Mouse mit HERO 25K Sensor...“ – aber auf dem Screenshot wird „Logitech G502 X PLUS LIGHTSP...“ gefolgt von Auslassungspunkten angezeigt. Dieser abgeschnittene Text bringt jedes System durcheinander, das darauf angewiesen ist, eine vollständige Zeile von links nach rechts zu lesen. Ein zeilenbasierter Parser sieht den abgekürzten Namen und weiß dann nicht, wo die nächste Spalte beginnt, weil die Zeile einfach mitten im Wort aufhört.
Drittanbieter-Badges. Artikel, die nicht direkt von Amazon verkauft werden, zeigen „Verkauft von [Verkäufername]“ in einer kleineren Schriftart unter dem Produktnamen an. Dieser Text befindet sich zwischen zwei Positionen, gehört aber zur vorhergehenden Zeile, nicht zur folgenden. Eine naive Extraktion behandelt ihn als separate Zeile oder, schlimmer noch, hängt ihn an die Daten des nächsten Artikels an. In beiden Fällen ist die Ausgabe falsch.
Mengen- und Preisausrichtung. Auf der Amazon-Bestellseite wird die Menge neben dem Artikelnamen angezeigt – „Menge: 1“ – während der Preis ganz rechts steht. Herkömmliche OCR extrahiert den Preis als eigenständige Zahl, die im rechten Rand schwebt, und muss raten, zu welchem Artikel er gehört. Wenn sieben Preise und sieben Artikelnamen über dasselbe Sichtfeld verstreut sind, potenziert sich das Zuordnungsproblem mit jeder weiteren Zeile.
Keines dieser Probleme ist für sich genommen ein Ausschlusskriterium. Aber zusammen verwandeln sie einen dichten Screenshot mit mehreren Artikeln genau in die Art von Datenextraktionsherausforderung, die Leute sagen lässt: „Das ist zu unübersichtlich, ich tippe es einfach ab.“
Der Unterschied zwischen Pixel-Lesen und Seiten-Lesen
Herkömmliche OCR und visuelle KI betrachten dasselbe Bild auf grundlegend unterschiedliche Weise, und dieser Unterschied wird besonders wichtig, wenn die Eingabe visuell dicht ist.
Eine OCR-Engine arbeitet Zeichen für Zeichen – sie findet Buchstabenformen, setzt sie zu Wörtern zusammen, gruppiert Wörter anhand ihrer Nähe zu Textblöcken und versucht dann, aus diesen Blöcken eine Struktur abzuleiten. Wenn die visuellen Hinweise, auf die sie angewiesen ist (klare Spaltengrenzen, ununterbrochene Textzeilen, gleichmäßige Abstände), fehlen oder mehrdeutig sind, sind die Ergebnisse durcheinandergewürfelte Daten.
Ein Vision Language Model (VLM) arbeitet anders. Es behandelt den gesamten Screenshot als eine zusammenhängende Szene – genauso wie Sie oder ich ein Foto betrachten und sofort verstehen, welche Objekte nahe beieinander sind, welche getrennt sind und wie sie räumlich zusammenhängen. Graue Linien sind keine Textbereichsgrenzen – sie sind visuelle Trennlinien, wie der Rand zwischen Spalten in einer Zeitung. Abgeschnittene Namen sind keine unvollständigen Zeilen – sie sind Titel, die über den sichtbaren Rahmen hinausgehen, und das VLM kann die sichtbaren Daten dennoch der richtigen Zeile zuordnen.
ImageToTable.ai nutzt diese Art von visueller KI. Wenn Sie ihm einen Amazon-Screenshot mit mehreren Artikeln geben und ihm sagen, dass Sie drei Spalten möchten – Artikelname, Menge und Preis –, versucht es nicht, die Seite wie ein Tabellenkalkulationsscanner zu parsen. Es betrachtet das Bild ganzheitlich, identifiziert jede einzelne Zeilenregion, indem es die visuellen Grenzen erkennt (die grauen Linien sind ein starkes Signal, keine Ablenkung), und ordnet dann den Text innerhalb jeder Region den von Ihnen angeforderten Spalten zu.
Die graue Trennlinie – die herkömmliche OCR verwirrt – wird zu einem zuverlässigen strukturellen Anker für die VLM-basierte Extraktion. Das System kann sehen: „Diese graue Linie markiert das Ende von Zeile eins. Alles darüber gehört zu Artikel eins. Alles darunter, bis zur nächsten grauen Linie, gehört zu Artikel zwei.“ Es rät nicht – es liest das Seitenlayout genauso wie ein menschlicher Leser, nur mit Maschinengeschwindigkeit.
Die gleiche Logik gilt für die Unterscheidung von Positionszeilen von Seitensummen. „Zwischensumme“, „Versand“, „Bestellsumme“ – diese stehen unterhalb der letzten Artikelzeile, oft anders formatiert (fett oder mit einem anderen Hintergrund). Das VLM erkennt sie als Zusammenfassungszeilen, nicht als zusätzliche Produkte. Es versucht nicht, sie in die Spalte „Artikelname“ zu zwängen.
Ein konkretes Beispiel: 7 Artikel in einer Amazon-Bestellung
Machen wir es konkret. Stellen Sie sich einen echten Screenshot von einer Amazon-Bestellbestätigungsseite vor – eine einzelne Bestellung mit sieben verschiedenen Artikeln. Hier sehen Sie, was jede Zeile enthält und wie die Extraktion abläuft.
| Zeile | Was der Screenshot zeigt | Extrahierter Artikelname | Menge | Preis |
|---|---|---|---|---|
| 1 | „Kindle Paperwhite (11. Generation) — Menge 1 — 129,99 $" | Kindle Paperwhite (11. Generation) | 1 | 129,99 $ |
| 2 | „Amazon Basics USB-C auf USB-C Kabel 1,8 m, geflochten..." — 9,99 $ | Amazon Basics USB-C auf USB-C Kabel 1,8 m | 1 | 9,99 $ |
| 3 | „Fire TV Stick 4K Max mit Alexa-Sprachfernbedienung..." + Badge „Verkauf durch Amazon" | Fire TV Stick 4K Max | 1 | 39,99 $ |
| 4 | „Anker 20W USB-C-Ladegerät, kompaktes Schnellladegerät..." — Menge 2 — 14,99 $ | Anker 20W USB-C-Ladegerät | 2 | 14,99 $ |
| 5 | „Samsung T7 Portable SSD 1TB, bis zu 1050 MB/s..." — 99,99 $ | Samsung T7 Portable SSD 1TB | 1 | 99,99 $ |
| 6 | „Hydro Flask 32oz Weithalsflasche aus Edelstahl..." — 34,95 $ | Hydro Flask 32oz Weithalsflasche | 1 | 34,95 $ |
| 7 | „Merino-Woll-Wandersocken 3er-Pack, Größe Large, Ma..." — 24,99 $ | Merino-Woll-Wandersocken 3er-Pack | 1 | 24,99 $ |
| — | Zwischensumme → Versand → Bestellsumme | Korrekt als Zusammenfassungszeilen erkannt, nicht als zusätzliche Artikel | ||
Beachten Sie, was bei jeder Herausforderung passiert ist:
- Graue Trennlinien – jede Zeilengrenze wurde durch die visuelle Trennlinie zwischen den Artikeln identifiziert. Das VLM nutzte sie als zuverlässige Zeilenmarkierungen.
- Abgeschnittene Produktnamen – die Zeilen 2, 3, 4 und 7 haben alle sichtbar verkürzte Produktnamen, die mit „..." enden. Die KI hat trotzdem korrekt jeden Preis und jede Menge der zugehörigen Zeile zugeordnet, da die räumliche Beziehung (welcher Text auf welcher vertikalen Position auf der Seite steht) eindeutig war.
- Drittanbieter-Badges – die Bezeichnung „Verkauf durch Amazon" in Zeile 3 wurde als Unterelement von Artikel 3 erkannt, nicht als separater Eintrag.
- Menge in der Zeile – „Menge 2" in Zeile 4 wurde korrekt gelesen und dem Anker-Ladegerät zugeordnet, und die KI verstand, dass die 14,99 $ der Stückpreis und nicht der Gesamtpreis für zwei Stück war.
- Zusammenfassungszeilen – Zwischensumme, Versand und Bestellsumme wurden korrekt aus der Artikelliste ausgeschlossen. Sie unterscheiden sich deutlich in Formatierung und Position, und das VLM erkannte sie als Meta-Informationen.
Das Ergebnis ist eine saubere Tabelle mit sieben Zeilen – genau das, was Sie möchten, wenn Sie Ausgaben verfolgen, Kosten mit einem Mitbewohner teilen oder eine Bestellung für Geschäftsunterlagen protokollieren.
Was das für Ihren Workflow bedeutet
Der konkrete Ablauf oben beweist eines: Das visuelle Durcheinander eines Amazon-Screenshots mit mehreren Artikeln ist für das richtige Extraktionstool kein Hindernis. Die grauen Trennlinien, abgeschnittene Produktnamen und Drittanbieter-Badges – das sind oberflächliche Störungen, die ein VLM mühelos durchschaut.
Was ändert sich, wenn Sie zuverlässig Positionsdaten aus jedem Amazon-Bestell-Screenshot extrahieren können?
Sie hören auf, jeden Screenshot als einmalige manuelle Dateneingabe zu behandeln. Statt die Amazon-Bestellseite zu öffnen, die Artikel Zelle für Zelle in eine Tabelle einzutippen und die Zahlen zu überprüfen, laden Sie den Screenshot in ImageToTable.ai hoch, geben an, welche Spalten Sie benötigen, und erhalten die Tabelle in Sekunden zurück. Sieben Zeilen, deren manuelle Eingabe 2-3 Minuten dauern würde, werden in unter 10 Sekunden extrahiert.
Das wiederkehrende Szenario wird zum wertvollen Anwendungsfall. Ein einzelner Screenshot ist trivial – den könnten Sie auch abtippen. Aber was ist mit der monatlichen Amazon-Bestellung für Haushaltswaren? Dem Wiederverkäufer, der wöchentlich Bestellungen über verschiedene Amazon-Konten aufgibt? Dem freiberuflichen Buchhalter, der Amazon-Belege von fünf Kunden erhält? Im größeren Maßstab – einem Dutzend oder mehr Bestellungen mit mehreren Artikeln pro Woche – wird die manuelle Eingabe zu einem erheblichen Zeitfresser. Die automatisierte Extraktion macht es nachhaltig.
Sie können extrahierte Daten mit anderen Quellen kombinieren. Die Spalten Artikelname, Menge und Preis können in dieselbe Tabelle wie Zahlungsbestätigungen, Lieferantenrechnungen oder Spesenabrechnungen wandern. Wenn Sie ImageToTable.ai bereits zur Datenextraktion aus anderen Dokumenttypen nutzen, ist das Hinzufügen von Amazon-Bestellungen mit mehreren Artikeln zum selben Workflow nur ein weiteres Eingabeformat, das dasselbe System verarbeitet.
Eine vollständige Schritt-für-Schritt-Anleitung zur Umsetzung mit einem echten Tool finden Sie im Begleitartikel Amazon-Bestellungen mit mehreren Artikeln: So extrahieren Sie Artikelname, Menge und Preis aus einem einzigen Screenshot. Dieser Artikel führt durch den praktischen Workflow – der vorliegende dient dazu, die grundsätzliche Frage zu klären, ob es überhaupt möglich ist.
Häufig gestellte Fragen
Was ist, wenn der Screenshot aus der Amazon-App anstatt von einem Desktop-Browser stammt? Unterscheidet sich das Layout?
Die Bestellübersichtsseite der mobilen App hat ein etwas anderes Layout – die Artikel sind vertikal gestapelt, mit kleineren Schriftarten und engeren Abständen, und die grauen Trennlinien sind dünner. Aber die grundlegende visuelle Struktur ist dieselbe: Jeder Artikel belegt einen eigenen Zeilenbereich mit Name, Menge und Preis. Die visuelle KI verarbeitet beide Formate, da sie die Seite ganzheitlich liest, anstatt sich auf feste Pixelpositionen zu verlassen. Sie können mobile und Desktop-Screenshots im selben Batch mischen, und die Extraktion wird trotzdem korrekt ausgerichtet.
Kann die KI zwischen Stückpreis und Gesamtpreis unterscheiden, wenn mehrere Mengen bestellt werden?
Ja. Wenn eine Zeile „Menge 2“ und einen Preis von 14,99 € anzeigt, erkennt die KI die 14,99 € als Stückpreis – nicht als Gesamtsumme für zwei Einheiten – basierend darauf, wie Amazon diese Informationen typischerweise auf der Bestellübersichtsseite darstellt. Wenn Sie die Zeilensumme als berechnete Spalte benötigen (29,98 € = 2 × 14,99 €), können Sie eine berechnete Spalte-Regel definieren, die die Menge mit dem Stückpreis während der Extraktion multipliziert. Das System unterstützt dies nativ, ohne dass eine Nachbearbeitung in Excel erforderlich ist.
Funktionieren Amazon Business-Bestellungen mit Steuerinformationen auf die gleiche Weise?
Ja. Amazon Business-Bestellungen fügen eine Umsatzsteuerzeile hinzu und zeigen manchmal Steuerbefreiungsdetails, aber die zugrunde liegende Positionsstruktur ist identisch mit einer privaten Amazon-Bestellung. Die zusätzlichen steuerbezogenen Zeilen werden als Metadaten behandelt – sie überladen Ihre Artikelliste nicht. Wenn Sie den Steuerbetrag als separate Spalte benötigen, können Sie „Umsatzsteuer“ als Spaltennamen hinzufügen, und die KI extrahiert ihn, wo immer er auf der Seite erscheint.
Kann ich mehrere Amazon-Bestell-Screenshots auf einmal verarbeiten, oder muss es einer nach dem anderen sein?
Mehrere auf einmal. ImageToTable.ai ist als Batch-First-Verarbeitungssystem konzipiert – Sie laden mehrere Screenshots hoch, und die KI verarbeitet sie gemeinsam und erstellt eine einzige, einheitliche Tabelle. Die Artikel jedes Screenshots erscheinen als separate Zeilen. Wenn Sie nachverfolgen müssen, welche Artikel von welcher Bestellung stammen, können Sie eine benutzerdefinierte Spalte (z. B. „Bestell-ID“ oder „Screenshot-Quelle“) hinzufügen, und die KI identifiziert die Bestellnummer von der Seite.
Was ist mit Screenshots, die nur einen Teil der Artikelliste zeigen – kann die KI trotzdem das Sichtbare extrahieren?
Ja. Wenn im Screenshot nur sechs von sieben Artikeln sichtbar sind, extrahiert die KI diese sechs. Sie benötigt keine vollständige oder perfekt ausgerichtete Seite, um zu funktionieren. Die Einschränkung besteht darin, dass sie nur das extrahieren kann, was sich in dem von Ihnen bereitgestellten Bild befindet – wenn ein Artikel vollständig abgeschnitten ist, wird er nicht in der Ausgabe erscheinen. Bei langen Bestellungen, die sich über mehrere Bildläufe erstrecken, machen Sie separate Screenshots von jedem Abschnitt und verarbeiten Sie diese als Batch.