PDF-დან XML-ში.

ის ახდენს გვერდის შინაარსისა და გეომეტრიის ექსპორტს და არა ავტომატურად დასახელებული ბიზნეს ველების. თქვენმა აპლიკაციამ უნდა განმარტოს ეს სტრუქტურა. ცხრილის უჯრებისთვის გამოიყენეთ „ცხრილების ამოღება PDF-დან“; სკანირებული დოკუმენტებისთვის გამოიყენეთ PDF OCR.

ვერსიირებული სტრუქტურა მოიცავს გვერდებს, ტექსტურ ბლოკებს და დიაპაზონებს, შრიფტებს, შემოსაზღვრულ კვადრატებს და ვექტორული ნახატის გზებს. კოორდინატები არის PDF წერტილებში არაბრუნვადი გვერდის ზედა მარცხენა საწყისი წერტილიდან; ბრუნვა ჩაწერილია ცალკე. ეს შესაძლოა დაეხმაროს ინდექსირებას ან დოკუმენტის ანალიზს, მაგრამ კონვერტორი არ ასკვნის თქვენს საკუთარ ბიზნეს სქემას ან სემანტიკური ველის სახელებს.

როდესაც გვერდი შეიცავს სურათის მონაცემებს, არქივი შეიცავს document.json ან document.xml ფაილებს პლუს მითითებულ სურათის ფაილებს და ნებისმიერ მხარდაჭერილ ნიღაბს. შეინახეთ ეს გზები ერთად, როდესაც მონაცემებს სხვაგან ტვირთავთ. მხოლოდ სურათის სახით დასკანერებული დოკუმენტი რჩება სურათის მონაცემებად; ეს ექსპორტი არ ასრულებს OCR-ს დაკარგული ტექსტური დიაპაზონების გამოსაგონებლად.

ამოღება იყენებს არსებულ ტექსტურ ფენას და არ ცნობს ასოებს გვერდის სურათებში. თუ გვერდს არ აქვს წაკითხვადი ტექსტი, გამოიყენეთ PDF OCR ცალკე. ცარიელმა გვერდმა შესაძლოა ასევე არ მოგცეთ ტექსტი. შერეული PDF-ებისთვის, შეამოწმეთ ცარიელი ან წაუკითხავი გვერდები ინდივიდუალურად. OCR ამუშავებს ერთ არჩეულ გვერდს ერთ ჯერზე.

გახსენით ერთი PDF 100 MB-მდე და 750 წყარო გვერდით. დაცულ ფაილებს სჭირდებათ განბლოკილი ასლი, თუ ეს ინსტრუმენტი პირდაპირ არ გთავაზობთ პაროლის შეყვანას. დიდმა ან კომპლექსურმა გვერდებმა შეიძლება მოითხოვოს მეტი მეხსიერება ან მიაღწიოს დამუშავების ლიმიტებს მაშინაც კი, როდესაც ფაილი ამ ლიმიტების ფარგლებშია.

ეს ხელსაწყო დასამუშავებლად იყენებს ჩვენს სერვერებს. თქვენი ორიგინალი ფაილი არ იცვლება; შედეგი არის ცალკე ჩამოსატვირთი ფაილი. გადახედეთ და შეამოწმეთ შედეგი, სადაც ეს შესაძლებელია, და ჩამოტვირთეთ საჭირო ასლი თავიდან დაწყებამდე.