Reference
Shromažďování zdrojových odkazů
Vytvořte seznam referencí ze zpráv a výzkumných dokumentů.
Užitečná úloha s PDF, jednoduše
Extrakce odkazů z PDF.
Získejte užitečné odkazy ze svého PDF.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Extrahovaná data
| Typ | Hodnota | Počet | Stránky |
|---|
Kopírování a stažení zahrnuje všechny odpovídající řádky napříč všemi stránkami výsledků. CSV obsahuje počty a čísla stran PDF; TXT obsahuje pouze hodnoty.
Vyberte číslo strany ve výsledcích pro kontrolu zdroje. Zvýraznění zobrazují přibližné pozice.
100%
Váš extrahovaný seznam je připraven
Váš seznam je připraven. Stáhněte si jej nebo se vraťte ke kontrole a změně formátu.
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
Vaše PDF je zpracováváno v tomto prohlížeči.
PDF
Jak extrahovat odkazy z PDF
- 01
Vyberte jedno PDF
Nahrajte dokument s textem, který lze vybrat, nebo vyzkoušejte ukázku.
- 02
Extrahovat a zkontrolovat
Vyberte Extrahovat. Zkontrolujte hodnoty, počty a zdrojové strany; filtrujte nebo seřaďte seznam.
- 03
Kopírovat nebo stáhnout
Zkopírujte hodnoty nebo stáhněte CSV s odkazy na strany či jednoduchý seznam TXT.
Extrakce odkazů z PDF bez otevírání každé stránky
Shromážděte vytištěné HTTP/HTTPS adresy, www adresy a cíle klikatelných webových odkazů z jednoho PDF. Ponechte si odkazy na stránky a stáhněte si deduplikovaný seznam jako CSV nebo TXT.
RYCHLÝ VIDEO TUTORIÁL
Jak extrahovat odkazy a URL adresy z PDF
Ponechte si užitečné webové odkazy, aniž byste je museli otevírat jeden po druhém.
Anglický komentář
Sledovat video
Kdy je to užitečné?
Zdroje
Uložení užitečných cílů
Extrahujte cíle za klikatelnými štítky zdrojů.
Kontrola
Vedení seznamu pro audit
Zaznamenejte, kde byl každý odkaz nalezen, než jej zkontrolujete jinde.
Funkce a ovládací prvky
Najděte viditelné a klikatelné odkazy
Zahrňte cíl odkazu, i když jeho popisek říká pouze „Číst dále“.
Jak funguje extrakce odkazů
Rozpoznávají se tištěné odkazy začínající http://, https:// nebo www. Anotace odkazů v PDF mohou také odhalit cíle HTTP/HTTPS za běžným textem. PDF nemusí zobrazovat URL jako svůj klikatelný popisek.
Identické tištěné cíle a anotace na stránce se nepočítají dvakrát. Pro porovnání duplicit se používají normalizované formy URL, zatímco se zobrazuje první rozpoznaný pravopis. Dlouhé, zalamované nebo poškozené adresy URL mohou vyžadovat ruční opravu. Žádná extrahovaná adresa URL není automaticky načítána.
Kontrola hodnot se zdrojovými stránkami
Zkontrolujte počty, přejděte na stránku PDF a filtrujte seznam výsledků.
Kontrola a organizace
Každý výsledek zaznamenává fyzickou pozici stránky v PDF, která se může lišit od tištěných čísel stránek. Výběrem čipu stránky otevřete náhled s přibližným zvýrazněním.
Odstranění duplicit je ve výchozím nastavení zapnuto. Počty kombinují rozpoznaná opakování stejné hodnoty; vypněte jej, chcete-li vidět jednotlivé výskyty. Seřadit abecedně mění pořadí seznamu. Filtrování se vztahuje na kopírování a stahování i na viditelné řádky.
Zkopírujte hodnoty nebo stáhněte strukturovaný seznam
Zvolte CSV pro počty a stránky, nebo TXT pro jednu hodnotu na řádek.
Co obsahuje každé stažení
CSV obsahuje sloupce Typ, Hodnota, Počet a Stránky. Kódování UTF-8 podporuje arabštinu a další skripty. Hodnoty, které by mohly být interpretovány jako vzorce tabulkového procesoru, jsou pro bezpečnější import uvozeny apostrofem.
TXT a Kopírovat vše obsahují pouze hodnoty, jednu na řádek. Zahrnuty jsou všechny řádky odpovídající filtru, i když tabulka na obrazovce pokrývá několik stránek výsledků. Nevytváří se žádné nové PDF a zdrojové PDF zůstává nezměněno.
Udržujte velké extrakce zvládnutelné
Zpracujte jedno PDF ve svém prohlížeči s explicitními limity a upozorněními na částečné výsledky.
Soubory, limity a skenované stránky
Načtěte jedno PDF do velikosti 50 MiB a 500 stran. Extrakce kontroluje až 250 000 znaků a 2 000 shod na stránku, celkem 10 milionů znaků a 20 000 shod a 2 000 anotací na stránku. Rozpočet 90 sekund na extrakci omezuje zdlouhavé běhy. Velmi složité dokumenty mohou fungovat lépe, pokud jsou rozděleny na menší soubory.
Když je dosaženo limitu nebo stránku nelze plně přečíst, výsledky zobrazí upozornění a omezené nebo neúspěšné běhy exportují s označením partial v názvu souboru. Stránky bez volitelného textu se počítají samostatně. Pro skeny pouze s obrázky použijte PDF OCR a poté se vraťte k extrakci rozpoznaného textu.
Obsah PDF je zpracováván lokálně v tomto prohlížeči. Nahrané dokumenty nejsou odesílány na extrakční server. Odkazy, e-mailové adresy a telefonní čísla nalezená v PDF nejsou nikdy automaticky kontaktována.
Podporované soubory a zpracování
- Vstup
- Výstup
- CSV / TXT
Otevřete jeden PDF soubor o velikosti až 50 MB a 750 stranách. U složitých dokumentů mohou platit další limity pro výstup, paměť a zpracování.
Zpracování probíhá ve vašem zařízení bez nahrávání dokumentu. Výsledek si stáhněte před zavřením stránky; originál si ponechte odděleně.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Časté dotazy
Pár užitečných odpovědí
Zjistěte, co očekávat, než začnete.
Ve vašem zařízeníCo tento nástroj dokáže rozpoznat?
Shromážděte tištěné adresy HTTP/HTTPS, adresy www a cíle klikatelných webových odkazů z jednoho PDF. Ponechte si odkazy na stránky a stáhněte si deduplikovaný seznam ve formátu CSV nebo TXT. Nástroj nekontroluje, zda odkazy stále fungují. Interní cíle stránek, akce JavaScriptu, mailto a další ne-webová schémata nejsou exportována jako webové odkazy.
Mohu extrahovat data ze skenovaných PDF?
Čte se pouze vybratelný text a rozpoznané cíle odkazů. Stránky obsahující pouze obrázky vyžadují nejprve OCR PDF. Spusťte OCR, stáhněte si prohledávatelné PDF a poté se vraťte k tomuto extraktoru.
Jak se nakládá s duplicitami a počty?
Odstranění duplicit kombinuje rozpoznané ekvivalentní hodnoty. Počet ukazuje zjištěné výskyty a Stránky uvádějí fyzické pozice stránek v PDF. Vypnutím této možnosti ponecháte výskyty oddělené. Tištěný cíl a odpovídající klikatelný odkaz na stejné stránce se nepočítají dvakrát.
Jaký je rozdíl mezi CSV a TXT?
CSV obsahuje typ, hodnotu, počet výskytů a odkazy na stránky. TXT a Kopírovat vše poskytují pouze hodnoty, jednu na řádek. Zahrnuty jsou všechny řádky odpovídající aktuálnímu filtru, nejen viditelná stránka tabulky.
Je PDF nahráno pro extrakci?
Ne. Analýza PDF, shoda a exporty probíhají v tomto prohlížeči. Původní PDF zůstává nezměněno. Žádný extrahovaný odkaz, e-mail nebo telefonní číslo není automaticky kontaktováno.
Jaká jsou omezení?
Jedno PDF do velikosti 50 MiB a 500 stran. Extrakce je omezena na 250 000 znaků textu a 2 000 shod na stránku, celkem 10 milionů znaků a 20 000 shod, a 2 000 anotací na stránku. Výsledky obsahují upozornění, pokud jsou kvůli limitům nebo nečitelným stránkám neúplné.
