Estrarre dati da PDF.

Le date devono utilizzare un formato numerico con un anno a quattro cifre; i valori giorno/mese ambigui mantengono l'ordine di origine. Gli ottetti IPv4 sono convalidati; IPv6 non è incluso.

I domini sono derivati da email e link web riconosciuti, non da nomi di file arbitrari. L'estrazione DOI copre le comuni forme DOI moderne, non ogni forma storica. I valori ISBN-13 necessitano di un checksum valido; ISBN-10 necessita anche di un'etichetta ISBN. Gli hashtag possono contenere lettere Unicode, incluso l'arabo.

Gli indirizzi MAC utilizzano sei coppie separate da due punti o trattini. Lo strumento non contatta mai gli indirizzi o gli identificatori estratti.

Ogni risultato registra la posizione fisica della pagina nel PDF, che può differire dai numeri di pagina stampati. Seleziona una scheda pagina per aprire l'anteprima con un'evidenziazione approssimativa.

La rimozione dei duplicati è attiva per impostazione predefinita. I conteggi combinano le ripetizioni riconosciute dello stesso valore; disattivala per vedere le occorrenze separate. L'ordinamento alfabetico modifica l'ordine dell'elenco. Il filtraggio si applica alla copia e ai download, oltre che alle righe visibili.

Il CSV contiene le colonne Tipo, Valore, Conteggio e Pagine. La codifica UTF-8 supporta l'arabo e altri script. I valori che potrebbero essere interpretati come formule di fogli di calcolo sono preceduti da un apostrofo per un'importazione più sicura.

TXT e Copia contengono solo valori, uno per riga. Tutte le righe che corrispondono al filtro sono incluse, anche quando la tabella sullo schermo si estende su diverse pagine di risultati. Non viene creato alcun nuovo PDF e il PDF di origine rimane invariato.

Carica un PDF fino a 50 MiB e 500 pagine. L'estrazione controlla fino a 250.000 caratteri e 2.000 corrispondenze per pagina, 10 milioni di caratteri e 20.000 corrispondenze in totale, e 2.000 annotazioni per pagina. Un budget di estrazione di 90 secondi limita le esecuzioni prolungate. I documenti molto complessi potrebbero funzionare meglio se suddivisi in file più piccoli.

Quando viene raggiunto un limite o una pagina non può essere letta completamente, i risultati mostrano un avviso e le esecuzioni limitate o fallite vengono esportate con partial nel nome del file. Le pagine senza testo selezionabile vengono conteggiate separatamente. Usa l'OCR PDF per scansioni solo immagine, quindi torna per estrarre il testo riconosciuto.

Il contenuto del PDF viene elaborato localmente in questo browser. I documenti caricati non vengono inviati a un server di estrazione. Link, indirizzi email e numeri di telefono trovati all'interno del PDF non vengono mai contattati automaticamente.