ImageToTable vs Docparser:
Campos Flexibles o Plantillas Fijas? Una Comparación Honesta 2026

Comparação Rápida

Antes de analisarmos cada dimensão, aqui está um resumo de como as duas ferramentas se comparam nos fatores que mais importam em uma decisão de extração de documentos.

A tabela torna os tradeoffs visíveis. Mas a decisão real depende de qual dessas dimensões importa mais no seu ecossistema de documentos. Vamos analisar cada uma.

Configuração: Zonas, Âncoras e Regras vs. Nomes de Colunas

A diferença mais óbvia entre as duas ferramentas aparece na primeira hora. O processo de configuração do Docparser é uma sequência de etapas deliberadas: você envia um documento de amostra, define zonas de extração desenhando retângulos ao redor de cada campo na página, configura palavras-chave âncora para ajudar o parser a localizar campos que podem mudar, define filtros regex para normalizar valores extraídos e testa o modelo contra uma segunda amostra antes de confiar nele em documentos reais. Para uma fatura de layout único de um fornecedor, esse processo normalmente leva de 30 a 60 minutos.

Se você processa documentos de cinco fornecedores com formatos consistentes, isso representa de 2,5 a 5 horas de criação de modelos antecipada. Se você precisa de parsers multi-layout (um parser que lida com múltiplas variantes de formato), esse recurso custa US$ 29,95 adicionais por mês nos planos Starter e Professional, ou você pode fazer upgrade para o plano Business (US$ 159/mês), onde está incluído. O Docparser também oferece um serviço pago de Assistente de Parsing por US$ 149 por layout, onde a equipe deles cria o modelo para você — um reconhecimento honesto de que a criação de modelos é um trabalho real.

O ImageToTable inverte toda a equação de configuração. Você não desenha zonas, define âncoras, escreve regex ou configura qualquer modelo por layout. Você digita os nomes das colunas que deseja — "Número da Fatura", "Nome do Fornecedor", "Data", "Total" — e envia seus documentos. O LLM de visão localiza cada valor entendendo o que o campo significa, não onde ele está na página. A primeira extração é concluída em 5 a 10 segundos. Não há "fase de configuração" antes de você obter resultados — você avalia a ferramenta em seus documentos reais desde o primeiro upload. Para usuários recorrentes, as listas de colunas podem ser salvas como predefinições, para que a mesma definição de extração seja executada em cada lote futuro sem reinserir os nomes dos campos.

A diferença no custo de configuração não é sobre uma ferramenta ser mais fácil de aprender. É sobre se a ferramenta exige configuração por layout antes de poder extrair dados de um novo tipo de documento. O Docparser exige. O ImageToTable não.

Mudanças de Formato: Quando o Modelo Falha

Esta é a dimensão que mais honestamente separa as duas ferramentas — e também é a que a maioria dos artigos de comparação subestima. A extração baseada em modelo funciona perfeitamente no modelo para o qual foi criada. O problema é que documentos do mundo real não permanecem em seus modelos.

Fornecedores atualizam o layout das faturas quando trocam de software de contabilidade, se fundem com outra empresa ou redesenham sua marca. Um fornecedor move o campo "Total a Pagar" do canto inferior direito para o canto inferior esquerdo — o retângulo de zona que você desenhou agora aponta para um espaço vazio ou, pior, para um valor diferente. Outro fornecedor renomeia "Fatura nº" para "Referência" — a palavra-chave âncora em que você confiava não existe mais. Cada mudança é invisível para você até o próximo lote de documentos chegar com erros de extração que alguém precisa identificar, diagnosticar e corrigir.

A tecnologia Zonal OCR do Docparser é determinística e precisa em layouts conhecidos — essa é a sua força. Mas quando um layout muda, cada zona definida naquele modelo se torna não confiável. A correção exige abrir o editor de modelos, redestacar os campos deslocados, ajustar quaisquer filtros regex afetados e testar novamente. Se você está em um plano sem parsers de múltiplos layouts, uma variação de formato de um fornecedor conhecido pode exigir um modelo totalmente novo. A própria documentação do Docparser reconhece que a Zonal OCR "não consegue lidar" com campos de dados compostos, campos de dados repetidos, dados de tabela e "campos de dados com posições variáveis (ex.: totais de fatura)" — precisamente os cenários que ocorrem quando os layouts se desviam.

O LLM de visão do ImageToTable.ai lê documentos de forma holística. Ele não se importa onde um campo está na página, como ele é rotulado ou se as coordenadas de pixel mudaram desde o último lote. "Total a Pagar" no canto inferior direito e "Total a Pagar" no canto inferior esquerdo são o mesmo conceito semântico — a IA o encontra independentemente. Um fornecedor renomeia um campo — a IA resolve a relação semântica entre o que você pediu e o que o documento diz. Um novo fornecedor envia um documento em um formato que a ferramenta nunca viu — ela o processa corretamente no primeiro upload porque não há zonas para configurar. Este é o significado prático de extração de documentos sem modelo.

Granularidade de Parsing: Quando o Mecanismo de Regras do Docparser Vence

Esta é a dimensão em que o Docparser é genuinamente superior, e uma comparação honesta deve afirmar isso diretamente. O sistema de regras de parsing do Docparser é a parte mais madura da plataforma e vai significativamente mais fundo do que as colunas calculadas do ImageToTable em vários aspectos importantes.

O Docparser permite definir padrões regex em nível de campo para normalizar valores extraídos — por exemplo, remover caracteres não numéricos de números de telefone, reformatar datas de MM/DD/AAAA para AAAA-MM-DD ou extrair apenas os dígitos de um campo "ID do Fornecedor" que inclui texto de prefixo. Você pode definir regras de extração condicionais: "Se o tipo de documento for Nota de Crédito, extraia o campo 'Valor do Crédito' em vez de 'Total da Fatura'." Você pode combinar palavras-chave âncora com extração baseada em deslocamento — "encontre o texto 'Total:' na página e extraia tudo dentro de 50 pixels à direita dele." Você pode configurar regras de parsing que referenciam outros campos extraídos, aplicar tabelas de consulta para traduzir códigos específicos do fornecedor em valores padronizados e encadear vários filtros em sequência. A leitura de código de barras e QR também está integrada à plataforma, uma capacidade que o ImageToTable não oferece de forma alguma.

As colunas calculadas e colunas inferidas do ImageToTable cobrem um subconjunto significativo desses casos de uso. Você pode definir uma coluna como "Total da Linha (Qtd × Preço Unitário)" e a IA a calcula durante a extração. Você pode definir colunas inferidas com listas de opções — "Categoria (opções: Refeições/Transporte/Escritório/Outros)" — e a IA classifica cada documento automaticamente. Mas o ImageToTable não suporta transformação de campos em nível de regex, caminhos de extração condicionais ou regras encadeadas em várias etapas. Se o seu fluxo de trabalho de extração exigir transformações determinísticas campo a campo que vão além de aritmética e classificação, o mecanismo de regras do Docparser é a ferramenta certa.

No entanto, essa força vem com uma ressalva: a profundidade das regras do Docparser só está disponível depois que você construir um modelo funcional em um layout estável. Se o layout mudar, as regras quebram junto com as zonas — você não pode usar regex poderoso e lógica condicional em campos que estão sendo extraídos do local errado.

Integrações: o ecossistema de automação do Docparser

Esta é a segunda dimensão em que o Docparser claramente vence. A plataforma investiu anos construindo um ecossistema de integrações maduro que o ImageToTable.ai ainda não alcança em amplitude.

O Docparser conecta-se nativamente ao Zapier (mais de 6.000 apps), Make, Microsoft Power Automate e Workato. Oferece uma API REST para integrações personalizadas, gatilhos de e-mail que analisam automaticamente anexos recebidos quando encaminhados para uma caixa de entrada dedicada do Docparser, e conectores diretos de armazenamento em nuvem para Google Drive, Dropbox, Box e OneDrive que permitem importar documentos sem upload manual. Os dados extraídos podem ser enviados diretamente para QuickBooks, Salesforce, Google Sheets, MySQL e centenas de outros aplicativos por meio desses conectores. Para uma equipe de contas a pagar que deseja que os dados extraídos de faturas fluam automaticamente para o ERP, disparem uma notificação no Slack e enviem um resumo para o Google Sheets — tudo sem que ninguém toque em um navegador — a profundidade de integração do Docparser é uma vantagem competitiva genuína.

A superfície de integração do ImageToTable.ai é mais estreita, mas não ausente no front de e-mail. Os dados podem ser exportados diretamente para Excel, CSV, JSON ou Word pela interface web. O complemento do Google Sheets permite extrair dados diretamente na planilha ativa sem sair do Sheets. O Email Inbox cobre o mesmo gatilho de encaminhar e analisar que a caixa de entrada dedicada do Docparser — cada conta tem seu próprio endereço, e vincular o Auto-annotate a um modelo inicia a extração assim que o e-mail chega, com lista de remetentes permitidos e tentativa automática de senha para anexos criptografados. O Collection Link fornece um endpoint de upload compartilhável que remetentes externos podem usar sem registro. O que o ImageToTable.ai não iguala é o alcance downstream do Docparser após a extração dos dados — sem polling de armazenamento em nuvem, sem conectores nativos Zapier/Make/Salesforce/QuickBooks e um par API/webhook v1 em vez do catálogo de automação mais amplo do Docparser.

Se o seu fluxo de trabalho depende de roteamento downstream conectado ao Zapier para sistemas ERP/CRM, polling de armazenamento em nuvem ou um catálogo maduro de conectores no-code, o Docparser é a escolha mais forte em integrações. Se o requisito é a captação de e-mail não supervisionada em si, ambas as ferramentas cobrem isso — o Email Inbox lida com o lado do gatilho, mesmo que não se expanda para a mesma amplitude de destinos depois.

Preços: Diferentes Modelos de Custo para Diferentes Padrões de Uso

As estruturas de preços das duas ferramentas refletem suas filosofias arquitetônicas — e qual é mais barata depende inteiramente de como você a usa.

Docparser usa um modelo de crédito por documento. Um crédito equivale a um documento com até cinco páginas. O plano Starter custa $39/mês (mensal) ou $32,50/mês (anual) por 100 créditos — efetivamente 100 a 500 páginas por mês, dependendo do tamanho do documento. O plano Professional ($74/mês mensal, $61,50/mês anual) oferece 250 créditos. O plano Business ($159/mês mensal, $133/mês anual) oferece 1.000 créditos com parsers de múltiplos layouts incluídos. Recursos adicionais como parsers de múltiplos layouts ($29,95/mês), controle de versão de parser ($9,95/mês) e retenção estendida de documentos ($19,95/mês) são cobrados separadamente em planos de nível inferior.

ImageToTable usa um modelo de assinatura por crédito onde um crédito equivale a uma imagem ou uma página de PDF. O plano Basic custa $9/mês por 150 créditos. Pro custa $29/mês por 500 créditos. Max custa $59/mês por 1.500 créditos. Uma cota gratuita diária permite testar com documentos reais antes de assinar, e pacotes de crédito avulsos estão disponíveis sem compromisso de assinatura.

No nível inicial para documentos de página única, o plano Basic da ImageToTable oferece 150 créditos por $9 — aproximadamente 4× mais volume por dólar do que o Starter da Docparser a $39 por 100 créditos. Mas o modelo por documento da Docparser se torna significativamente mais barato para documentos de várias páginas. Uma única fatura de 5 páginas consome 5 créditos da ImageToTable, mas apenas 1 crédito da Docparser. Se a maior parte dos seus documentos são PDFs de 3 a 5 páginas de um conjunto estável de remetentes conhecidos, o custo efetivo por documento da Docparser pode ser substancialmente menor do que o preço baseado em páginas da ImageToTable.

Para uma análise detalhada de como diferentes modelos de preços afetam sua fatura mensal em diferentes níveis de volume, veja detalhamento de preços de extração de documentos 2026.

Flexibilidade de Documentos: O Que Cada Ferramenta Realmente Consegue Ler

Ambas as ferramentas cobrem os tipos de documentos empresariais padrão — faturas, ordens de compra, recibos, contratos, extratos bancários. Mas os tipos de documentos que conseguem processar com confiabilidade divergem significativamente quando se vai além de PDFs digitais limpos.

O OCR Zonal do Docparser é feito para documentos com layouts previsíveis. Ele tem melhor desempenho em PDFs digitais e digitalizações de alta qualidade, onde cada campo aparece em uma posição consistente. A própria documentação observa que, para melhores resultados, "os documentos recebidos são digitalizados em alta qualidade e têm um layout consistente." A plataforma adicionou opções de pré-processamento de OCR — correção de inclinação, remoção de artefatos, rotação de página — para melhorar o manuseio de digitalizações imperfeitas, e o DocparserAI agora suporta reconhecimento de escrita manual por meio do modelo SmartAI Parser. Mas a limitação fundamental permanece: a extração baseada em zonas degrada em imagens de baixa resolução, digitalizações anguladas, fotos de celular e documentos onde carimbos ou selos sobrepõem campos de dados. Quando o retângulo da zona não consegue envolver de forma confiável o texto-alvo, a qualidade da extração cai.

O ImageToTable foi construído do zero exatamente para essa lacuna. O LLM de visão lê documentos como um humano — entendendo todo o layout visual e localizando os campos solicitados pelo significado semântico, não pela posição dos pixels. Tabelas impressas, formulários manuscritos, fotos de celular de um recibo de restaurante, uma captura de tela de uma fatura enviada por e-mail, um contrato digitalizado com um carimbo da empresa sobrepondo o bloco de assinatura — a IA processa todos eles no mesmo pipeline de extração, sem trocar de mecanismo ou ajustar configurações. Para dados de tabelas impressas, a precisão chega a até 99% em documentos limpos. A escrita manual é reconhecida em níveis de precisão utilizáveis — suficiente para extração de dados, mesmo que caracteres individuais não sejam perfeitamente transcritos — porque a IA entende o contexto do campo: "este número manuscrito está ao lado de 'Total' e abaixo de 'Encargos do item', então é o valor total, independentemente de como os dígitos são curvados."

A camada DocparserAI do Docparser trouxe reconhecimento de escrita manual e detecção de caixas de seleção para a plataforma. Mas esses recursos funcionam sobre uma arquitetura baseada em zonas que ainda espera campos em posições previsíveis. Se um campo manuscrito aparecer em um local diferente em cada documento (porque o formulário é preenchido à mão e a mão do escritor varia), nenhuma melhoria de IA pode compensar a zona que espera dados em uma coordenada fixa. O ImageToTable não tem essa restrição — a IA encontra o campo pelo que ele é, não por onde deveria estar.

When ImageToTable Makes More Sense ImageToTable é a melhor escolha quando seu ecossistema de documentos é definido por **variedade em vez de repetição**. Se você recebe documentos de vários fornecedores que usam layouts diferentes — e esses layouts mudam — a abordagem sem modelo elimina a manutenção constante que as ferramentas baseadas em modelo exigem. Você define sua saída uma vez (os nomes das colunas que deseja) e a IA lida com qualquer variação no layout de entrada automaticamente. Cada novo formato de fornecedor, cada redesign de fornecedor, cada formulário personalizado do cliente é processado corretamente no primeiro upload com zero tempo de configuração. Essa é a diferença prática entre um analisador semântico de documentos e um orientado por modelo. Se seus documentos chegam como fotos de celular, cópias digitalizadas ou manuscritos em vez de PDFs digitais impecáveis, o LLM de visão do ImageToTable os lê sem a degradação de qualidade que as ferramentas baseadas em zonas enfrentam. Um empreiteiro fotografando uma nota de entrega no canteiro de obras, um funcionário enviando um relatório de despesas manuscrito, um inspetor de campo capturando uma leitura de medidor com o telefone — estes não são casos raros para o ImageToTable. Eles são o caso de uso principal para o qual a ferramenta foi projetada. Se você processa lotes de documentos de formatos mistos juntos — enviando faturas de vinte fornecedores diferentes em um único lote e precisando que os resultados sejam mesclados em uma única planilha alinhada — a arquitetura de Processamento Prioritário em Lote do ImageToTable entrega isso em uma única etapa. O Docparser processa cada documento individualmente dentro de uma caixa de entrada; mesclar resultados de extração de vários fornecedores em uma tabela unificada requer automação do Zapier ou montagem manual. Se seu orçamento é apertado e seus documentos são em sua maioria de página única (recibos, faturas, ordens de compra), o plano Basic do ImageToTable por $9/mês entrega 150 páginas — significativamente mais valor por dólar do que o nível de entrada do Docparser.

Quando a Docparser Faz Mais Sentido

A Docparser é a melhor escolha quando seus requisitos de extração vão além da localização de campos, entrando em transformação determinística de dados. Se você precisa de normalização por regex, caminhos de extração condicionais, filtros de múltiplas etapas, leitura de código de barras ou regras de cálculo que se encadeiam entre vários campos, o mecanismo de regras de análise da Docparser é mais poderoso que as colunas calculadas do ImageToTable. O ImageToTable lida bem com aritmética e classificação, mas não alcança a profundidade de regras da Docparser para transformações complexas campo a campo.

Se seu fluxo de trabalho depende de integrações automatizadas — documentos chegando por encaminhamento de e-mail → analisados automaticamente → dados enviados ao QuickBooks via Zapier → notificação enviada ao Slack — o ecossistema de integrações da Docparser é substancialmente mais maduro. A Caixa de Entrada de E-mail do ImageToTable cobre o mesmo gatilho de encaminhar e analisar (com o Auto-Process tornando-o totalmente automático), mas o catálogo mais amplo de conectores da Docparser — ações nativas do Zapier, Make, Power Automate e Salesforce conectando-se diretamente ao QuickBooks ou Slack — vai além do que a API v1 e o webhook do ImageToTable conseguem alcançar sem código de integração personalizado. Para equipes que investiram em plataformas de automação e precisam que a ferramenta de extração se conecte a esses fluxos de trabalho em vez de fornecer sua própria interface, a profundidade de conectores da Docparser é uma vantagem genuína.

Se cada documento que você processa é um PDF de várias páginas de um remetente estável e conhecido — digamos, você processa 200 faturas mensais de 5 fornecedores cujos formatos não mudam há anos — o modelo de créditos da Docparser (1 crédito por documento de até 5 páginas) o torna mais econômico que o preço por página do ImageToTable, e o custo de configuração do modelo é um investimento único que se paga com o processamento consistente.

Se você precisa de leitura de código de barras ou QR code integrada ao pipeline de extração, a Docparser inclui isso nativamente. O ImageToTable não consegue ler códigos de barras ou QR codes durante a extração — essa capacidade não está atualmente no produto.

O Veredito: Baseado em Cenário, Não em Binário Forçado

Após comparar ambas as ferramentas em tempo de configuração, resiliência de formato, granularidade de parsing, integrações, preços e flexibilidade de documentos, o framework de decisão é mais claro do que a maioria dos artigos de comparação sugere.

O Docparser é construído para extração determinística de layouts estáveis. Seu mecanismo Zonal OCR e sistema de regras recompensam equipes com formatos de documento consistentes por meio de extração precisa e repetível em nível de campo. O custo é a configuração e manutenção por layout. O retorno é o controle: normalização de regex, lógica condicional, leitura de código de barras e um pipeline de automação maduro que se conecta às ferramentas que você já usa. Se seus documentos vêm de um conjunto fixo de remetentes conhecidos cujos layouts não mudam, a profundidade e o escopo de integração do Docparser fazem dele a escolha pragmática.

O ImageToTable é construído para extração semântica de fontes variadas. Seu vision LLM elimina a configuração por layout, lidando com qualquer formato, qualquer qualidade de entrada e qualquer combinação de tipos de documento em um único lote. O custo é menos controle granular sobre transformações em nível de campo. O retorno é a resiliência: mudanças de formato, novos fornecedores, fotos de celular, manuscritos e lotes mistos funcionam sem manutenção de modelo. Se seus documentos chegam de múltiplas fontes com layouts diferentes, ou se a qualidade da entrada varia (digitalizações, fotos, manuscritos), o ImageToTable elimina mais trabalho contínuo do que o conjunto de regras mais profundo do Docparser pode compensar.

Se você está construindo um pipeline de automação de AP orientado por e-mail com faturas de formato fixo fluindo para o QuickBooks via Zapier, o Docparser é a melhor opção — sua camada de automação e profundidade de regras correspondem a esse fluxo de trabalho. Se você está coletando documentos de equipe de campo, processando ordens de compra de formato misto ou extraindo dados em lote de fotos de celular e formulários digitalizados, a abordagem sem modelo do ImageToTable evita o custo de manutenção que ferramentas baseadas em modelo impõem a fluxos de trabalho com entrada variada. Nenhuma ferramenta é uma resposta universal. Mas se você sabe como é o seu ecossistema de documentos — quantos formatos, com que frequência mudam, com que qualidade chegam — a escolha certa fica clara.

Para uma visão mais ampla de como ambas as ferramentas se comparam ao restante do cenário de extração, veja ImageToTable vs Parseur.

Quer a versão resumida? Veja a tabela de comparação de recursos lado a lado, ou navegue por todas as comparações do ImageToTable.

FAQ

O Docparser exige modelos, ou o DocparserAI funciona sem eles?

O caminho principal de extração do Docparser é baseado em modelo — você cria um parser desenhando retângulos de OCR Zonal em um documento de amostra. O DocparserAI adiciona recursos assistidos por IA (modelo SmartAI Parser que cria regras automaticamente, reconhecimento de escrita manual, resumo de conteúdo), mas eles operam dentro da mesma arquitetura por tipo de documento. O SmartAI Parser reduz o tempo de configuração manual ao gerar regras automaticamente a partir de um documento de amostra, mas ainda espera layouts consistentes dentro de um tipo de documento. O ImageToTable usa exclusivamente IA semântica — sem modelo, sem desenho de zonas, sem configuração por layout em qualquer caminho de extração.

O ImageToTable pode se integrar com Zapier ou webhooks como o Docparser?

Sim, por meio da API pública v1. A API REST do ImageToTable permite enviar documentos, acionar o processamento e registrar um webhook que é disparado automaticamente quando um lote ou documento termina — sem necessidade de polling. Zapier e Make podem se conectar por essa API, mas o ImageToTable não tem um conector pré-criado na loja de aplicativos nem integrações nativas com Salesforce/ERP como o Docparser. O ImageToTable também oferece exportação direta para Excel, CSV, JSON e Word, além de um complemento do Google Sheets que grava os dados extraídos diretamente na planilha ativa. Se você precisa do aplicativo Zapier com um clique do Docparser ou dos conectores nativos QuickBooks/Salesforce, o ecossistema de integrações do Docparser é mais maduro para esse caso específico.

Qual ferramenta é mais acessível para documentos de várias páginas?

Depende do tamanho do documento. O Docparser conta um crédito de parsing por documento de até cinco páginas — então uma fatura de 5 páginas consome 1 crédito. O ImageToTable conta um crédito por página — a mesma fatura de 5 páginas consome 5 créditos. Se seus documentos têm consistentemente de 3 a 5 páginas, o modelo de créditos do Docparser pode ser significativamente mais barato por documento. Para documentos de página única (recibos, a maioria das faturas), o preço do ImageToTable é menor por crédito. Seu custo total depende de você processar principalmente documentos de página única ou de várias páginas. Veja detalhamento de preços de extração de documentos 2026 para uma comparação volume por volume.

O Docparser suporta processamento em lote como o ImageToTable?

O Docparser processa documentos dentro de uma caixa de correio — você pode enviar vários documentos de uma vez ou configurar importações automáticas de armazenamento em nuvem ou e-mail. Mas cada documento é analisado individualmente, e mesclar resultados de vários documentos (especialmente de parsers diferentes) em uma única planilha alinhada exige trabalho externo via Zapier/API ou exportação manual. O ImageToTable foi projetado com Processamento Prioritário em Lote: envie arquivos de qualquer fonte, defina os nomes das colunas uma vez e baixe um único arquivo Excel mesclado com cabeçalhos consistentes em todos os documentos. Para equipes que processam lotes de formatos mistos regularmente, essa é uma diferença significativa no fluxo de trabalho.

O Docparser consegue lidar com escrita manual tão bem quanto o ImageToTable?

O DocparserAI introduziu o reconhecimento de escrita manual por meio do modelo SmartAI Parser. Ele pode extrair texto manuscrito de documentos. No entanto, a arquitetura baseada em zonas subjacente exige que a escrita manual apareça em um local previsível na página para uma extração precisa. O LLM de visão do ImageToTable encontra campos manuscritos em qualquer lugar da página ao compreender o contexto — ele não exige que a escrita manual esteja em uma zona pré-definida. Para documentos em que a escrita manual aparece em posições variáveis (formulários de inspeção no local, planilhas de campo, notas de entrega preenchidas por diferentes pessoas), a abordagem do ImageToTable é mais confiável.

Posso migrar do Docparser para o ImageToTable?

Sim. A migração não exige importação de modelos — o ImageToTable não usa modelos. Exporte seus dados históricos do Docparser como CSV ou Excel. Envie os mesmos documentos de origem para o ImageToTable, digite os nomes das colunas que correspondem às suas definições de campos do Docparser, e a IA os extrai sem qualquer configuração de modelo. Os nomes das colunas que você usou no Docparser (Número da Fatura, Nome do Fornecedor, Data, Total) tornam-se seus nomes de colunas no ImageToTable. Mescle seus dados históricos com novas extrações em uma planilha — nomes de cabeçalho consistentes tornam a transição simples.