Daten aus PDF extrahieren.

Daten müssen ein numerisches Format mit einer vierstelligen Jahreszahl verwenden; mehrdeutige Tag/Monat-Werte behalten ihre ursprüngliche Reihenfolge bei. IPv4-Oktette werden validiert; IPv6 ist nicht enthalten.

Domains werden aus erkannten E-Mails und Weblinks abgeleitet, nicht aus beliebigen Dateinamen. Die DOI-Extraktion deckt gängige moderne DOI-Formen ab, nicht jede historische Form. ISBN-13-Werte benötigen eine gültige Prüfsumme; ISBN-10 benötigt zusätzlich ein ISBN-Label. Hashtags können Unicode-Zeichen enthalten, einschließlich Arabisch.

MAC-Adressen verwenden sechs durch Doppelpunkte oder Bindestriche getrennte Paare. Das Tool kontaktiert niemals extrahierte Adressen oder Identifikatoren.

Jedes Ergebnis erfasst die physische Seitenposition im PDF, die von gedruckten Seitenzahlen abweichen kann. Wählen Sie einen Seiten-Chip, um die Vorschau mit einer ungefähren Markierung zu öffnen.

„Duplikate entfernen“ ist standardmäßig aktiviert. Die Anzahl kombiniert erkannte Wiederholungen desselben Wertes; schalten Sie dies aus, um separate Vorkommen zu sehen. „Alphabetisch sortieren“ ändert die Reihenfolge der Liste. Die Filterung gilt sowohl für das Kopieren und Herunterladen als auch für die sichtbaren Zeilen.

CSV enthält die Spalten Typ, Wert, Anzahl und Seiten. Die UTF-8-Kodierung unterstützt Arabisch und andere Schriften. Werte, die als Tabellenkalkulationsformeln interpretiert werden könnten, werden für einen sichereren Import mit einem Apostroph versehen.

TXT und „Alle kopieren“ enthalten nur Werte, einen pro Zeile. Alle Zeilen, die dem Filter entsprechen, sind enthalten, auch wenn die Tabelle auf dem Bildschirm mehrere Ergebnisseiten umfasst. Es wird kein neues PDF erstellt und das Quell-PDF bleibt unverändert.

Laden Sie ein PDF mit bis zu 50 MiB und 500 Seiten. Die Extraktion prüft bis zu 250.000 Zeichen und 2.000 Übereinstimmungen pro Seite, insgesamt 10 Millionen Zeichen und 20.000 Übereinstimmungen sowie 2.000 Anmerkungen pro Seite. Ein Extraktionsbudget von 90 Sekunden begrenzt lange Durchläufe. Sehr komplexe Dokumente funktionieren möglicherweise besser, wenn sie in kleinere Dateien aufgeteilt werden.

Wenn ein Limit erreicht wird oder eine Seite nicht vollständig gelesen werden kann, zeigen die Ergebnisse einen Hinweis an, und begrenzte oder fehlgeschlagene Durchläufe werden mit „partial“ im Dateinamen exportiert. Seiten ohne auswählbaren Text werden separat gezählt. Verwenden Sie PDF-OCR für reine Bildscans und kehren Sie dann zurück, um den erkannten Text zu extrahieren.

PDF-Inhalte werden lokal in diesem Browser verarbeitet. Hochgeladene Dokumente werden nicht an einen Extraktionsserver gesendet. Links, E-Mail-Adressen und Telefonnummern, die im PDF gefunden werden, werden niemals automatisch kontaktiert.