استخراج داده‌ها از PDF.

تاریخ‌ها باید از فرمت عددی با سال چهار رقمی استفاده کنند؛ مقادیر مبهم روز/ماه ترتیب منبع خود را حفظ می‌کنند. اکتت‌های IPv4 اعتبارسنجی می‌شوند؛ IPv6 گنجانده نشده است.

دامنه‌ها از ایمیل‌ها و لینک‌های وب شناسایی‌شده استخراج می‌شوند، نه نام فایل‌های دلخواه. استخراج DOI فرمت‌های مدرن رایج DOI را پوشش می‌دهد، نه همه فرمت‌های تاریخی. مقادیر ISBN-13 نیاز به چک‌سام معتبر دارند؛ ISBN-10 نیز نیاز به برچسب ISBN دارد. هشتگ‌ها می‌توانند شامل حروف یونیکد، از جمله فارسی باشند.

آدرس‌های MAC از شش جفت جدا شده با دونقطه یا خط تیره استفاده می‌کنند. این ابزار هرگز با آدرس‌ها یا شناسه‌های استخراج‌شده تماس نمی‌گیرد.

هر نتیجه موقعیت فیزیکی صفحه در PDF را ثبت می‌کند که ممکن است با شماره صفحات چاپی متفاوت باشد. روی یک برچسب صفحه کلیک کنید تا پیش‌نمایش با هایلایت تقریبی باز شود.

حذف موارد تکراری به‌صورت پیش‌فرض فعال است. تعداد، تکرارهای شناسایی‌شده از یک مقدار واحد را ترکیب می‌کند؛ آن را خاموش کنید تا موارد جداگانه را ببینید. مرتب‌سازی الفبایی ترتیب لیست را تغییر می‌دهد. فیلتر کردن هم بر کپی و دانلود و هم بر ردیف‌های قابل مشاهده اعمال می‌شود.

CSV شامل ستون‌های نوع، مقدار، تعداد و صفحات است. انکودینگ UTF-8 از زبان فارسی و سایر خطوط پشتیبانی می‌کند. مقادیری که ممکن است به عنوان فرمول‌های صفحه گسترده تفسیر شوند، برای وارد کردن ایمن‌تر با یک آپاستروف پیش‌وند می‌شوند.

TXT و کپی همه فقط شامل مقادیر هستند، یکی در هر خط. تمام ردیف‌های منطبق با فیلتر گنجانده می‌شوند، حتی زمانی که جدول روی صفحه چندین صفحه نتیجه را در بر می‌گیرد. هیچ PDF جدیدی ایجاد نمی‌شود و PDF منبع بدون تغییر باقی می‌ماند.

یک PDF تا ۵۰ مگابایت و ۵۰۰ صفحه را بارگذاری کنید. استخراج تا ۲۵۰,۰۰۰ کاراکتر و ۲,۰۰۰ تطبیق در هر صفحه، ۱۰ میلیون کاراکتر و ۲۰,۰۰۰ تطبیق در کل، و ۲,۰۰۰ حاشیه‌نویسی در هر صفحه را بررسی می‌کند. بودجه زمانی ۹۰ ثانیه‌ای برای استخراج، اجرای طولانی را محدود می‌کند. اسناد بسیار پیچیده ممکن است در صورت تقسیم به فایل‌های کوچک‌تر، بهتر کار کنند.

هنگامی که به محدودیت می‌رسید یا یک صفحه نمی‌تواند به‌طور کامل خوانده شود، نتایج یک اعلان نشان می‌دهند و اجراهای محدود یا ناموفق با عبارت partial در نام فایل صادر می‌شوند. صفحاتی که متن قابل انتخاب ندارند جداگانه شمرده می‌شوند. برای اسکن‌های فقط تصویری از PDF OCR استفاده کنید، سپس برای استخراج متن شناسایی‌شده بازگردید.

محتوای PDF به‌صورت محلی در این مرورگر پردازش می‌شود. اسناد آپلود شده به سرور استخراج ارسال نمی‌شوند. لینک‌ها، آدرس‌های ایمیل و شماره تلفن‌های یافت شده در داخل PDF هرگز به‌طور خودکار فراخوانی نمی‌شوند.