Forskning
Indsaml identifikatorer
Indsaml DOI- og ISBN-værdier med de sider, hvor de optræder.
En nyttig PDF-opgave, gjort enkel
Udtræk data fra PDF.
Find de data, du har brug for. Behold kildesiden for hvert resultat.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Udtrukne data
| Type | Værdi | Antal | Sider |
|---|
Kopiering og download inkluderer alle matchende rækker på tværs af alle resultatsider. CSV inkluderer antal og PDF-sidetal; TXT indeholder kun værdier.
Vælg et sidetal i Resultater for at kontrollere kilden. Fremhævninger viser omtrentlige placeringer.
100%
Din udtrukne liste er klar
Din liste er klar. Download den, eller gå tilbage for at gennemgå og ændre formatet.
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
Din PDF behandles i denne browser.
PDF
Sådan udtrækker du data fra PDF
- 01
Vælg én PDF
Indlæs et dokument med tekst, der kan markeres, eller prøv eksemplet.
- 02
Udtræk og gennemgå
Vælg Udtræk. Gennemgå værdier, antal og kildesider; filtrér eller sortér listen.
- 03
Kopiér eller download
Kopiér værdierne, eller download CSV med sidehenvisninger eller en simpel TXT-liste.
Udtræk strukturerede værdier fra en PDF til CSV eller tekst
Vælg de datatyper, du har brug for: e-mails, telefonnumre, URL'er, numeriske datoer, IPv4-adresser, domæner, DOI, ISBN, hashtags og MAC-adresser. Gennemse de udtrukne værdier med antal og sideredreferencer.
HURTIG VIDEO-VEJLEDNING
Sådan udtrækker du strukturerede data fra en PDF
Indsaml kontakter og forskningsidentifikatorer i én organiseret liste.
Engelsk fortællerstemme
Se videoen
Hvornår er dette nyttigt?
Rapporter
Udtræk numeriske detaljer
Find daterede poster og IPv4-adresser.
Mapper
Opbyg en kontaktliste
Kombiner e-mails, telefonnumre og weblinks i én struktureret eksport.
Funktioner og kontroller
Vælg nyttige datatyper
Start med e-mails, telefonnumre og URL'er, og åbn derefter Flere datatyper for specialiserede værdier.
Hvad genkenderne understøtter
Datoer skal bruge et numerisk format med et årstal på fire cifre; tvetydige dag/måned-værdier bevarer deres kilderækkefølge. IPv4-oktetter valideres; IPv6 er ikke inkluderet.
Domæner er afledt af genkendte e-mails og weblinks, ikke vilkårlige filnavne. DOI-udtrækning dækker almindelige moderne DOI-former, ikke alle historiske former. ISBN-13-værdier kræver en gyldig kontrolsum; ISBN-10 kræver også en ISBN-etiket. Hashtags kan indeholde Unicode-bogstaver, inklusive arabisk.
MAC-adresser bruger seks kolon- eller bindestreg-separerede par. Værktøjet kontakter aldrig udtrukne adresser eller identifikatorer.
Gennemse værdier med deres kildesider
Tjek antal, hop til en PDF-side, og filtrer resultatlisten.
Gennemse og organiser
Hvert resultat registrerer den fysiske sideplacering i PDF'en, hvilket kan afvige fra trykte sidetal. Vælg et side-chip for at åbne forhåndsvisningen med en omtrentlig markering.
Fjern dubletter er aktiveret som standard. Antal kombinerer genkendte gentagelser af den samme værdi; slå det fra for at se separate forekomster. Sortér alfabetisk ændrer listens rækkefølge. Filtrering gælder også for kopiering og Hent samt de synlige rækker.
Kopiér værdier eller Hent en struktureret liste
Vælg CSV for antal og sider, eller TXT for én værdi pr. linje.
Hvad hver Hent indeholder
CSV indeholder kolonnerne Type, Værdi, Antal og Sider. UTF-8-kodning understøtter arabisk og andre skrifttyper. Værdier, der kan tolkes som regnearksformler, får tilføjet en apostrof for sikrere import.
TXT og Kopiér alt indeholder kun værdier, én pr. linje. Alle rækker, der matcher filteret, er inkluderet, selv når tabellen på skærmen strækker sig over flere resultatsider. Ingen ny PDF oprettes, og kilde-PDF'en forbliver uændret.
Hold store udtrækninger håndterbare
Behandl én PDF i din browser med eksplicitte grænser og meddelelser om delvise resultater.
Filer, grænser og scannede sider
Indlæs én PDF på op til 50 MiB og 500 sider. Udtrækning tjekker op til 250.000 tegn og 2.000 matches pr. side, 10 millioner tegn og 20.000 matches i alt, samt 2.000 annotationer pr. side. Et budget på 90 sekunder til udtrækning begrænser lange kørsler. Meget komplekse dokumenter kan fungere bedre, når de opdeles i mindre filer.
Når en grænse nås, eller en side ikke kan læses fuldt ud, viser resultaterne en meddelelse, og begrænsede eller mislykkede kørsler eksporteres med partial i filnavnet. Sider uden valgbar tekst tælles separat. Brug PDF OCR til billed-kun scanninger, og vend derefter tilbage for at udtrække den genkendte tekst.
PDF-indhold behandles lokalt i denne browser. Uploadede dokumenter sendes ikke til en udtrækningsserver. Links, e-mailadresser og telefonnumre fundet i PDF'en kontaktes aldrig automatisk.
Understøttede filer og behandling
- Input
- Output
- CSV / TXT
Åbn én PDF på op til 50 MB og 750 sider. Yderligere grænser for output, hukommelse og behandling kan gælde for komplekse dokumenter.
Behandlingen foregår på din enhed uden upload af dokumentet. Download dit resultat, før du lukker siden; gem originalen separat.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
FAQ
Et par nyttige svar
Vid hvad du kan forvente, før du starter.
På din enhedHvad kan dette værktøj genkende?
Vælg de datatyper, du har brug for: e-mails, telefonnumre, URL'er, numeriske datoer, IPv4-adresser, domæner, DOI, ISBN, hashtags og MAC-adresser. Gennemse de udtrukne værdier med antal og sidehenvisninger. Dette udtrækker genkendelige værdier, ikke tabeller, fakturaer eller semantiske felter. Mønstre og kontrolsummer reducerer støj, men garanterer ikke fuldstændighed eller beviser, at en identifikator er ægte.
Kan jeg udtrække data fra scannede PDF'er?
Kun valgbar tekst og genkendte linkmål læses. Sider, der kun består af billeder, kræver først PDF OCR. Kør OCR, hent den søgbare PDF, og vend derefter tilbage til denne ekstraktor.
Hvordan håndteres dubletter og antal?
Fjern dubletter kombinerer genkendte ækvivalente værdier. Antal viser detekterede forekomster, og Sider viser de fysiske PDF-sideplaceringer. Deaktiver indstillingen for at holde forekomster adskilt. Et printet mål og et matchende klikbart link på samme side tælles ikke dobbelt.
Hvad er forskellen på CSV og TXT?
CSV inkluderer type, værdi, antal forekomster og sidehenvisninger. TXT og Kopiér alt leverer kun værdier, én pr. linje. Alle rækker, der matcher det aktuelle filter, inkluderes, ikke kun den synlige tabelside.
Er PDF'en uploadet til udtrækning?
Nej. PDF-parsing, matchning og eksport kører i denne browser. Den originale PDF er uændret. Intet udtrukket link, e-mail eller telefonnummer kontaktes automatisk.
Hvad er begrænsningerne?
Én PDF på op til 50 MiB og 500 sider. Udtrækning er begrænset til 250.000 teksttegn og 2.000 match pr. side, 10 millioner tegn og 20.000 match i alt, samt 2.000 annoteringer pr. side. Resultaterne bærer en meddelelse, hvis begrænsninger eller ulæselige sider gør dem ufuldstændige.
