Výskum
Zhromažďovanie identifikátorov
Zhromaždite hodnoty DOI a ISBN spolu so stránkami, na ktorých sa objavujú.
Užitočná úloha s PDF, jednoducho vyriešená
Extrahovať údaje z PDF.
Nájdite údaje, ktoré potrebujete. Pri každom výsledku si zachovajte zdrojovú stránku.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Extrahované údaje
| Typ | Hodnota | Počet | Strany |
|---|
Kopírovanie a sťahovanie zahŕňa všetky zodpovedajúce riadky zo všetkých strán výsledkov. CSV obsahuje počty a čísla strán PDF; TXT obsahuje iba hodnoty.
Vyberte číslo strany vo výsledkoch a skontrolujte jej zdroj. Zvýraznenia zobrazujú približné pozície.
100%
Váš extrahovaný zoznam je pripravený
Váš zoznam je pripravený. Stiahnite si ho alebo sa vráťte späť, aby ste skontrolovali a zmenili formát.
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
Váš PDF súbor sa spracováva v tomto prehliadači.
PDF
Ako extrahovať údaje z PDF
- 01
Vyberte jeden PDF súbor
Nahrajte dokument s textom, ktorý možno vybrať, alebo vyskúšajte ukážku.
- 02
Extrahovať a skontrolovať
Vyberte Extrahovať. Skontrolujte hodnoty, počty a zdrojové strany; filtrujte alebo zoraďte zoznam.
- 03
Kopírovať alebo stiahnuť
Skopírujte hodnoty alebo stiahnite CSV s odkazmi na strany či jednoduchý zoznam TXT.
Extrahovať štruktúrované hodnoty z PDF do CSV alebo textu
Vyberte typy údajov, ktoré potrebujete: e-maily, telefónne čísla, URL, číselné dátumy, IPv4 adresy, domény, DOI, ISBN, hashtagy a MAC adresy. Skontrolujte extrahované hodnoty s počtami a odkazmi na stránky.
RÝCHLY VIDEO NÁVOD
Ako extrahovať štruktúrované údaje z PDF
Zhromaždite kontakty a výskumné identifikátory do jedného organizovaného zoznamu.
Anglický komentár
Pozrieť video
Kedy je to užitočné?
Správy
Vytiahnutie číselných údajov
Nájdite datované záznamy a IPv4 adresy.
Adresáre
Vytvorte si zoznam kontaktov
Skombinujte e-maily, telefónne čísla a webové odkazy do jedného štruktúrovaného exportu.
Funkcie a ovládacie prvky
Vyberte užitočné typy údajov
Začnite s e-mailmi, telefónmi a URL, potom otvorte Viac typov údajov pre špecializované hodnoty.
Čo podporujú rozpoznávače
Dátumy musia používať číselný formát so štvorciferným rokom; nejednoznačné hodnoty dňa/mesiaca si zachovávajú svoje zdrojové poradie. Oktety IPv4 sú validované; IPv6 nie je zahrnuté.
Domény sú odvodené z rozpoznaných e-mailov a webových odkazov, nie z ľubovoľných názvov súborov. Extrakcia DOI pokrýva bežné moderné formy DOI, nie všetky historické formy. Hodnoty ISBN-13 vyžadujú platný kontrolný súčet; ISBN-10 vyžaduje aj štítok ISBN. Hashtagy môžu obsahovať Unicode znaky, vrátane arabských.
MAC adresy používajú šesť párov oddelených dvojbodkou alebo pomlčkou. Nástroj nikdy nekontaktuje extrahované adresy alebo identifikátory.
Skontrolujte hodnoty spolu s ich zdrojovými stránkami
Skontrolujte počty, prejdite na stranu PDF a filtrujte zoznam výsledkov.
Skontrolujte a usporiadajte
Každý výsledok zaznamenáva fyzickú pozíciu strany v PDF, ktorá sa môže líšiť od vytlačených čísel strán. Vyberte čip strany pre otvorenie náhľadu s približným zvýraznením.
Odstraňovanie duplikátov je predvolene zapnuté. Počty kombinujú rozpoznané opakovania tej istej hodnoty; vypnite túto možnosť, ak chcete vidieť samostatné výskyty. Triedenie podľa abecedy mení poradie zoznamu. Filtrovanie sa vzťahuje na kopírovanie a sťahovanie, ako aj na viditeľné riadky.
Kopírujte hodnoty alebo stiahnite štruktúrovaný zoznam
Zvoľte CSV pre počty a strany, alebo TXT pre jednu hodnotu na riadok.
Čo obsahuje každé stiahnutie
CSV obsahuje stĺpce Typ, Hodnota, Počet a Strany. Kódovanie UTF-8 podporuje arabské a iné písma. Hodnoty, ktoré by mohli byť interpretované ako vzorce tabuľkového procesora, sú pre bezpečnejší import označené apostrofom.
TXT a Kopírovať všetko obsahujú iba hodnoty, jednu na riadok. Zahrnuté sú všetky riadky zodpovedajúce filtru, aj keď tabuľka na obrazovke zahŕňa niekoľko strán výsledkov. Nevytvára sa žiadne nové PDF a zdrojové PDF zostáva nezmenené.
Udržujte veľké extrakcie zvládnuteľné
Spracujte jedno PDF vo svojom prehliadači s explicitnými limitmi a upozorneniami na čiastočné výsledky.
Súbory, limity a skenované strany
Načítajte jedno PDF do veľkosti 50 MiB a 500 strán. Extrakcia kontroluje do 250 000 znakov a 2 000 zhôd na stranu, celkovo 10 miliónov znakov a 20 000 zhôd, a 2 000 anotácií na stranu. Rozpočet 90 sekúnd na extrakciu obmedzuje dlhé úlohy. Veľmi zložité dokumenty môžu fungovať lepšie, ak sú rozdelené na menšie súbory.
Keď sa dosiahne limit alebo stranu nie je možné úplne prečítať, výsledky zobrazia upozornenie a obmedzené alebo neúplné behy sa exportujú s označením partial v názve súboru. Strany bez vyberateľného textu sa počítajú osobitne. Pre skeny obsahujúce iba obrázky použite PDF OCR a potom sa vráťte k extrakcii rozpoznaného textu.
Obsah PDF sa spracováva lokálne v tomto prehliadači. Nahrané dokumenty sa neodosielajú na extrakčný server. Odkazy, e-mailové adresy a telefónne čísla nájdené v PDF sa nikdy automaticky nekontaktujú.
Podporované súbory a spracovanie
- Vstup
- Výstup
- CSV / TXT
Otvorte jeden PDF súbor do 50 MB a 750 strán. Pre zložité dokumenty môžu platiť dodatočné limity pre výstup, pamäť a spracovanie.
Spracovanie prebieha vo vašom zariadení bez nahratia dokumentu. Výsledok si stiahnite pred zatvorením stránky; originál si ponechajte oddelene.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
FAQ
Pár užitočných odpovedí
Vedzte, čo môžete očakávať, skôr než začnete.
Vo vašom zariadeníČo dokáže tento nástroj rozpoznať?
Vyberte si dátové typy, ktoré potrebujete: e-maily, telefónne čísla, URL, číselné dátumy, IPv4 adresy, domény, DOI, ISBN, hashtagy a MAC adresy. Skontrolujte extrahované hodnoty s počtami a odkazmi na strany. Toto extrahuje rozpoznateľné hodnoty, nie tabuľky, faktúry alebo sémantické polia. Vzory a kontrolné súčty znižujú šum, ale nezaručujú úplnosť ani nedokazujú, že identifikátor je pravý.
Môžem extrahovať údaje zo skenovaných PDF?
Číta sa iba vyberateľný text a rozpoznané ciele odkazov. Strany obsahujúce iba obrázky vyžadujú najprv PDF OCR. Spustite OCR, stiahnite si prehľadávateľné PDF a potom sa vráťte k tomuto extraktoru.
Ako sa zaobchádza s duplicitami a počtami?
Odstránenie duplicít kombinuje rozpoznané ekvivalentné hodnoty. Počet zobrazuje zistené výskyty a Strany uvádzajú fyzické pozície strán v PDF. Vypnite túto možnosť, ak chcete ponechať výskyty oddelené. Vytlačený cieľ a zodpovedajúci klikateľný odkaz na tej istej strane sa nepočítajú dvakrát.
Aký je rozdiel medzi CSV a TXT?
CSV obsahuje typ, hodnotu, počet výskytov a odkazy na strany. TXT a Kopírovať všetko poskytujú iba hodnoty, jednu na riadok. Zahrnuté sú všetky riadky zodpovedajúce aktuálnemu filtru, nielen viditeľná strana tabuľky.
Nahráva sa PDF na extrakciu?
Nie. Analýza PDF, vyhľadávanie zhôd a exporty prebiehajú v tomto prehliadači. Pôvodné PDF zostáva nezmenené. Žiadny extrahovaný odkaz, e-mail ani telefónne číslo nie sú automaticky kontaktované.
Aké sú limity?
Jedno PDF do 50 MiB a 500 strán. Extrakcia je obmedzená na 250 000 textových znakov a 2 000 zhôd na stranu, celkovo 10 miliónov znakov a 20 000 zhôd, a 2 000 anotácií na stranu. Výsledky obsahujú upozornenie, ak sú kvôli limitom alebo nečitateľným stranám čiastočné.
