Προγραμματιστές
Τροφοδοσία μιας ροής εργασίας επεξεργασίας XML
Εξαγωγή περιεχομένου σελίδας ως XML για ένα σενάριο ή εφαρμογή που κατανοεί την τεκμηριωμένη δομή εξόδου.
Μια χρήσιμη εργασία PDF, απλοποιημένη
PDF σε XML.
Εξάγετε κείμενο, εικόνες και γεωμετρία σχεδίασης PDF ως XML.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
Χρησιμοποιήστε τα στοιχεία ελέγχου σελίδας για να επιθεωρήσετε το έγγραφό σας.
100%
Το αρχείο σας είναι έτοιμο.
Κατεβάστε το αποτέλεσμά σας ή επιστρέψτε στις ρυθμίσεις για να δημιουργήσετε μια άλλη έκδοση.
Advertisements
Ad placeholderResponsive · automatic size
Αποστέλλεται για προσωρινή επεξεργασία όταν ξεκινάτε.
PDF
Πώς να μετατρέψετε pdf σε xml
- 01
Επιλέξτε το έγγραφό σας
Ανεβάστε ένα PDF από τη συσκευή σας.
- 02
Ρυθμίστε το αποτέλεσμα
Ελέγξτε τις διαθέσιμες ρυθμίσεις και μετά ξεκινήστε την επεξεργασία.
- 03
Κατεβάστε το αρχείο σας
Αποθηκεύστε το αποτέλεσμα και ελέγξτε το πριν το μοιραστείτε.
PDF σε XML
Εξαγωγή κειμένου, εικόνων και γεωμετρίας σχεδίασης PDF σε XML. Επιλέξτε σελίδες και κατεβάστε μια δομημένη περιγραφή, με τα στοιχεία εικόνας πακεταρισμένα μαζί της όταν χρειάζεται.
ΓΡΗΓΟΡΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΒΙΝΤΕΟ
Πώς να μετατρέψετε PDF σε XML με δεδομένα διάταξης
Αποκτήστε δομημένα δεδομένα σελίδας για τη δική σας ροή εργασίας.
Αφήγηση στα αγγλικά
Παρακολουθήστε το βίντεο
Πρακτικοί τρόποι χρήσης αυτού του εργαλείου
Ερευνητές
Επιθεώρηση θέσεων κειμένου
Χρησιμοποιήστε συντεταγμένες περιεχομένου για να μελετήσετε τη διάταξη της σελίδας· αναφέρονται στη μη περιστραμμένη σελίδα PDF και όχι στα pixel του προγράμματος περιήγησης.
Τεχνική αναθεώρηση
Διαχωρισμός εξαγωγής από ερμηνεία
Ελέγξτε τα εξαχθέντα αντικείμενα πριν δημιουργήσετε κανόνες ανάλυσης συγκεκριμένων εγγράφων. Οι σαρώσεις χρειάζονται OCR για αναγνωρισμένο κείμενο.
Χαρακτηριστικά και στοιχεία ελέγχου
Εξαγωγή κειμένου και γεωμετρίας σχεδίων
Ανακτήστε μια δομημένη περιγραφή του περιεχομένου της σελίδας αντί για μια απλή μεταγραφή.
Σχήμα, συντεταγμένες και περιστροφή σελίδας
Η εκδοθείσα δομή περιλαμβάνει σελίδες, μπλοκ κειμένου και διαστήματα, γραμματοσειρές, πλαίσια οριοθέτησης και διαδρομές διανυσματικών σχεδίων. Οι συντεταγμένες είναι σε σημεία PDF από την επάνω αριστερή αρχή της μη περιστραμμένης σελίδας· η περιστροφή καταγράφεται ξεχωριστά. Αυτό μπορεί να υποστηρίξει την ευρετηρίαση ή την ανάλυση εγγράφων, αλλά ο μετατροπέας δεν συμπεραίνει το δικό σας επιχειρηματικό σχήμα ή τα σημασιολογικά ονόματα πεδίων.
Διατηρήστε τα στοιχεία εικόνας δίπλα στα δεδομένα
Λάβετε ένα αρχείο δεδομένων απευθείας ή ένα ZIP όταν περιλαμβάνονται εξαγόμενες εικόνες.
Αρχείο δεδομένων και εικόνες αναφοράς
Όταν μια σελίδα περιέχει δεδομένα εικόνας, το αρχείο περιέχει το document.json ή document.xml συν τα αρχεία εικόνων αναφοράς και τυχόν υποστηριζόμενες μάσκες. Διατηρήστε αυτές τις διαδρομές μαζί κατά τη φόρτωση των δεδομένων αλλού. Μια σάρωση μόνο με εικόνες παραμένει δεδομένα εικόνας· αυτή η εξαγωγή δεν εκτελεί OCR για να επινοήσει κείμενο που λείπει.
Επιλέξτε τις σελίδες που χρειάζεστε
Επεξεργαστείτε ολόκληρο το έγγραφο ή εισαγάγετε συγκεκριμένους αριθμούς σελίδων και εύρη.
Εύρη σελίδων και αρίθμηση
Χρησιμοποιήστε τις θέσεις PDF, ξεκινώντας από το 1, αντί για τους αριθμούς που είναι τυπωμένοι στη σελίδα. Μια λίστα όπως 1, 3-5 περιλαμβάνει τέσσερις σελίδες. Ένα κενό εύρος χρησιμοποιεί κάθε σελίδα. Ελέγξτε την προεπισκόπηση όταν το έγγραφο περιλαμβάνει εξώφυλλο ή κεφάλαια με διαφορετική αρίθμηση. Μόνο οι επιλεγμένες σελίδες περιλαμβάνονται σε αυτή τη μετατροπή.
Χρήση OCR για σελίδες που περιέχουν μόνο εικόνες
Η εξαγωγή κειμένου διαβάζει ένα επίπεδο κειμένου· δεν αναγνωρίζει γράμματα σε εικόνες.
Σαρώσεις, κενές σελίδες και OCR
Η εξαγωγή χρησιμοποιεί ένα υπάρχον επίπεδο κειμένου και δεν αναγνωρίζει γράμματα στις εικόνες των σελίδων. Εάν μια σελίδα δεν έχει αναγνώσιμο κείμενο, χρησιμοποιήστε το PDF OCR ξεχωριστά. Μια κενή σελίδα μπορεί επίσης να μην παράγει κείμενο. Για μικτά PDF, επιθεωρήστε τις κενές ή μη αναγνώσιμες σελίδες ξεχωριστά. Το OCR επεξεργάζεται μία επιλεγμένη σελίδα τη φορά.
Υποστηριζόμενα αρχεία & επεξεργασία
- Είσοδος
- Έξοδος
- XML, ZIP
Ανοίξτε ένα PDF έως 100 MB και 750 σελίδες προέλευσης. Τα προστατευμένα αρχεία χρειάζονται ένα ξεκλείδωτο αντίγραφο, εκτός εάν αυτό το εργαλείο προσφέρει ρητά εισαγωγή κωδικού πρόσβασης. Οι μεγάλες ή σύνθετες σελίδες μπορεί να απαιτούν περισσότερη μνήμη ή να φτάσουν στα όρια επεξεργασίας ακόμη και όταν το αρχείο βρίσκεται εντός αυτών των ορίων.
Η επεξεργασία χρησιμοποιεί τους διακομιστές μας. Τα αρχεία προέλευσης, τα προσωρινά αρχεία και τα αποτελέσματα διαγράφονται από τους διακομιστές μας εντός 30 λεπτών από την ολοκλήρωση της επεξεργασίας. Δεν κοινοποιούμε το περιεχόμενο των εγγράφων σε τρίτους ούτε το χρησιμοποιούμε για την εκπαίδευση μοντέλων AI.
Advertisements
Ad placeholderResponsive · automatic sizeResponsive · automatic size468 × 60Up to 320 × 100Up to 300 × 50
Συχνές ερωτήσεις
Μερικές χρήσιμες απαντήσεις
Μάθετε τι να περιμένετε πριν ξεκινήσετε.
Προσωρινή επεξεργασία διακομιστήΤο PDF σε XML αναγνωρίζει πεδία τιμολογίου ή σημασίες πινάκων;
Εξάγει το περιεχόμενο και τη γεωμετρία της σελίδας, όχι αυτόματα ονομασμένα επιχειρηματικά πεδία. Η εφαρμογή σας πρέπει να ερμηνεύσει αυτή τη δομή. Για κελιά πινάκων, χρησιμοποιήστε το «Εξαγωγή πινάκων από PDF». Για σαρώσεις, χρησιμοποιήστε το «PDF OCR».
Τι πληροφορίες περιέχει η δομημένη εξαγωγή;
Η δομή με εκδόσεις περιλαμβάνει σελίδες, μπλοκ κειμένου και διαστήματα, γραμματοσειρές, πλαίσια οριοθέτησης και διαδρομές διανυσματικών σχεδίων. Οι συντεταγμένες είναι σε σημεία PDF από την επάνω αριστερή αρχή της μη περιστραμμένης σελίδας· η περιστροφή καταγράφεται ξεχωριστά. Αυτό μπορεί να υποστηρίξει την ευρετηρίαση ή την ανάλυση εγγράφων, αλλά ο μετατροπέας δεν συμπεραίνει το δικό σας επιχειρηματικό σχήμα ή σημασιολογικά ονόματα πεδίων.
Γιατί η λήψη περιέχει μερικές φορές ένα ZIP;
Όταν μια σελίδα περιέχει δεδομένα εικόνας, το αρχείο περιέχει το document.json ή document.xml συν αρχεία εικόνων αναφοράς και τυχόν υποστηριζόμενες μάσκες. Διατηρήστε αυτές τις διαδρομές μαζί κατά τη φόρτωση των δεδομένων αλλού. Μια σάρωση μόνο με εικόνες παραμένει δεδομένα εικόνας· αυτή η εξαγωγή δεν εκτελεί OCR για να εφεύρει διαστήματα κειμένου που λείπουν.
Θα εξαχθούν λέξεις από μια σάρωση που περιέχει μόνο εικόνες;
Η εξαγωγή χρησιμοποιεί ένα υπάρχον επίπεδο κειμένου και δεν αναγνωρίζει γράμματα σε εικόνες σελίδων. Εάν μια σελίδα δεν έχει αναγνώσιμο κείμενο, χρησιμοποιήστε το PDF OCR ξεχωριστά. Μια κενή σελίδα μπορεί επίσης να μην παράγει κείμενο. Για μικτά PDF, επιθεωρήστε τις κενές ή μη αναγνώσιμες σελίδες μεμονωμένα. Το OCR επεξεργάζεται μία επιλεγμένη σελίδα τη φορά.
Ποια είναι τα όρια αρχείων και σελίδων;
Ανοίξτε ένα PDF έως 100 MB και 750 σελίδες προέλευσης. Τα προστατευμένα αρχεία χρειάζονται ένα ξεκλείδωτο αντίγραφο, εκτός εάν αυτό το εργαλείο προσφέρει ρητά εισαγωγή κωδικού πρόσβασης. Οι μεγάλες ή σύνθετες σελίδες μπορεί να απαιτούν περισσότερη μνήμη ή να φτάσουν στα όρια επεξεργασίας ακόμη και όταν το αρχείο βρίσκεται εντός αυτών των ορίων.
Πού επεξεργάζεται το έγγραφό μου;
Αυτό το εργαλείο χρησιμοποιεί τους διακομιστές μας για την επεξεργασία. Το αρχικό σας αρχείο δεν αντικαθίσταται. Το αποτέλεσμα είναι μια ξεχωριστή λήψη. Προεπισκοπήστε και ελέγξτε το αποτέλεσμα όπου είναι διαθέσιμο και κατεβάστε το αντίγραφο που χρειάζεστε πριν ξεκινήσετε από την αρχή.
