Extraer datos de un PDF.

Las fechas deben usar un formato numérico con un año de cuatro dígitos; los valores ambiguos de día/mes conservan su orden de origen. Los octetos IPv4 se validan; IPv6 no está incluido.

Los dominios se derivan de correos electrónicos y enlaces web reconocidos, no de nombres de archivo arbitrarios. La extracción de DOI cubre las formas modernas comunes de DOI, no todas las formas históricas. Los valores ISBN-13 necesitan una suma de comprobación válida; ISBN-10 también necesita una etiqueta ISBN. Los hashtags pueden contener letras Unicode, incluido el árabe.

Las direcciones MAC utilizan seis pares separados por dos puntos o guiones. La herramienta nunca contacta las direcciones o identificadores extraídos.

Cada resultado registra la posición física de la página en el PDF, que puede diferir de los números de página impresos. Seleccione una etiqueta de página para abrir la vista previa con un resaltado aproximado.

La eliminación de duplicados comienza activada. Los recuentos combinan las repeticiones reconocidas del mismo valor; desactívela para ver las apariciones por separado. Ordenar alfabéticamente cambia el orden de la lista. El filtrado se aplica tanto a la copia y descarga como a las filas visibles.

CSV contiene columnas de Tipo, Valor, Recuento y Páginas. La codificación UTF-8 admite árabe y otros scripts. Los valores que podrían interpretarse como fórmulas de hoja de cálculo tienen un apóstrofo como prefijo para una importación más segura.

TXT y Copiar todo contienen solo valores, uno por línea. Se incluyen todas las filas que coinciden con el filtro, incluso cuando la tabla en pantalla abarca varias páginas de resultados. No se crea ningún PDF nuevo y el PDF de origen no cambia.

Cargue un PDF de hasta 50 MiB y 500 páginas. La extracción verifica hasta 250,000 caracteres y 2,000 coincidencias por página, 10 millones de caracteres y 20,000 coincidencias en total, y 2,000 anotaciones por página. Un presupuesto de extracción de 90 segundos limita las ejecuciones largas. Los documentos muy complejos pueden funcionar mejor cuando se dividen en archivos más pequeños.

Cuando se alcanza un límite o no se puede leer una página por completo, los resultados muestran un aviso y las ejecuciones limitadas o fallidas se exportan con parcial en el nombre del archivo. Las páginas sin texto seleccionable se cuentan por separado. Use OCR de PDF para escaneos de solo imagen, luego regrese para extraer el texto reconocido.

El contenido del PDF se procesa localmente en este navegador. Los documentos cargados no se envían a un servidor de extracción. Los enlaces, direcciones de correo electrónico y números de teléfono encontrados dentro del PDF nunca se contactan automáticamente.