Wyodrębnianie danych z pliku PDF.

Daty muszą używać formatu numerycznego z czterocyfrowym rokiem; niejednoznaczne wartości dnia/miesiąca zachowują kolejność źródłową. Oktety IPv4 są weryfikowane; IPv6 nie jest uwzględniany.

Domeny są wywodzone z rozpoznanych e-maili i linków internetowych, a nie z dowolnych nazw plików. Ekstrakcja DOI obejmuje typowe nowoczesne formy DOI, a nie wszystkie formy historyczne. Wartości ISBN-13 wymagają poprawnej sumy kontrolnej; ISBN-10 wymaga również etykiety ISBN. Hashtagi mogą zawierać litery Unicode, w tym arabskie.

Adresy MAC używają sześciu par oddzielonych dwukropkami lub myślnikami. Narzędzie nigdy nie kontaktuje się z wyodrębnionymi adresami lub identyfikatorami.

Każdy wynik rejestruje fizyczną pozycję strony w pliku PDF, która może różnić się od numeracji stron w druku. Wybierz znacznik strony, aby otworzyć podgląd z przybliżonym podświetleniem.

Usuwanie duplikatów jest domyślnie włączone. Liczniki łączą rozpoznane powtórzenia tej samej wartości; wyłącz tę opcję, aby zobaczyć oddzielne wystąpienia. Sortowanie alfabetyczne zmienia kolejność listy. Filtrowanie dotyczy zarówno kopiowania i pobierania, jak i widocznych wierszy.

CSV zawiera kolumny Typ, Wartość, Liczba i Strony. Kodowanie UTF-8 obsługuje język arabski i inne skrypty. Wartości, które mogłyby zostać zinterpretowane jako formuły arkusza kalkulacyjnego, są poprzedzone apostrofem dla bezpieczniejszego importu.

TXT i Kopiuj wszystko zawierają tylko wartości, po jednej w wierszu. Wszystkie wiersze pasujące do filtra są uwzględniane, nawet jeśli tabela na ekranie obejmuje kilka stron wyników. Żaden nowy plik PDF nie jest tworzony, a źródłowy plik PDF pozostaje niezmieniony.

Załaduj jeden plik PDF do 50 MiB i 500 stron. Ekstrakcja sprawdza do 250 000 znaków i 2000 dopasowań na stronę, 10 milionów znaków i 20 000 dopasowań łącznie oraz 2000 adnotacji na stronę. Budżet 90 sekund na ekstrakcję ogranicza długie operacje. Bardzo złożone dokumenty mogą działać lepiej po podzieleniu na mniejsze pliki.

Gdy limit zostanie osiągnięty lub strona nie może zostać w pełni odczytana, wyniki pokazują powiadomienie, a ograniczone lub nieudane operacje eksportują pliki z dopiskiem partial w nazwie. Strony bez zaznaczalnego tekstu są liczone oddzielnie. Użyj OCR PDF dla skanów zawierających tylko obrazy, a następnie wróć, aby wyodrębnić rozpoznany tekst.

Zawartość PDF jest przetwarzana lokalnie w tej przeglądarce. Przesłane dokumenty nie są wysyłane na serwer ekstrakcji. Linki, adresy e-mail i numery telefonów znalezione wewnątrz pliku PDF nigdy nie są kontaktowane automatycznie.