استخراج البيانات من PDF.

يجب أن تستخدم التواريخ صيغة رقمية وسنة من أربعة أرقام؛ تُحفظ القيم الملتبسة بين اليوم والشهر بترتيبها الأصلي. تُفحص أجزاء IPv4 ولا يشمل الدعم IPv6.

تُستخرج النطاقات من عناوين البريد وروابط الويب المعروفة وليس من أسماء الملفات العشوائية. يشمل DOI الصيغ الحديثة الشائعة وليس كل الصيغ التاريخية. يتطلب ISBN-13 رقم تحقق صحيحاً، ويحتاج ISBN-10 أيضاً إلى وسم ISBN. تدعم الوسوم حروف Unicode بما فيها العربية.

تستخدم عناوين MAC ستة أزواج مفصولة بنقطتين أو بشرطة. لا تتصل الأداة بالعناوين أو المعرّفات المستخرجة.

يشير رقم الصفحة إلى ترتيبها داخل PDF، وقد يختلف عن الرقم المطبوع. اختر رقم الصفحة لفتح المعاينة مع تمييز تقريبي للموضع.

تبدأ إزالة التكرار مفعّلة. يجمع العدد مرات ظهور القيمة التي تم التعرّف عليها؛ عطّل الخيار لعرض كل ظهور على حدة. يغيّر الترتيب الأبجدي ترتيب القائمة، وتؤثر التصفية في النسخ والتنزيل أيضاً.

يحتوي CSV على أعمدة النوع والقيمة والتكرار والصفحات. يدعم ترميز UTF-8 العربية وغيرها من اللغات. تضاف علامة اقتباس مفردة إلى بداية القيم التي قد تُفسّر كصيغ حسابية لحماية الاستيراد في برامج الجداول.

يحتوي TXT ونسخ الكل على القيم فقط، كل قيمة في سطر. تُدرج كل النتائج المطابقة للتصفية ولو توزعت على عدة صفحات في الجدول. لا يُنشأ PDF جديد ولا يتغير الملف الأصلي.

حمّل PDF واحداً حتى 50 ميبيبايت و500 صفحة. تُفحص حتى 250 ألف حرف و2000 نتيجة لكل صفحة، و10 ملايين حرف و20 ألف نتيجة إجمالاً، و2000 تعليق لكل صفحة. تحد مهلة استخراج قدرها 90 ثانية من العمليات الطويلة. قد تعمل المستندات المعقدة بصورة أفضل عند تقسيمها إلى ملفات أصغر.

عند بلوغ حد أو تعذّر قراءة صفحة بالكامل يظهر تنبيه، وتتضمن أسماء الملفات الناتجة عن تلك الحالات كلمة partial. تُحصى الصفحات الخالية من نص قابل للتحديد بصورة مستقلة. استخدم التعرّف الضوئي على PDF للصور الممسوحة ثم عد لاستخراج النص.

تتم معالجة محتوى PDF محلياً في هذا المتصفح ولا يُرسل المستند إلى خادم استخراج. لا تُفتح الروابط ولا يتم الاتصال بالبريد أو أرقام الهاتف الموجودة في الملف تلقائياً.