Forskning
Samla identifierare
Samla DOI- och ISBN-värden med sidorna där de förekommer.
En användbar PDF-uppgift, förenklad
Extrahera data från PDF.
Hitta den data du behöver. Behåll källsidan för varje resultat.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Extraherad data
| Typ | Värde | Antal | Sidor |
|---|
Kopiering och nedladdning inkluderar alla matchande rader över alla resultatsidor. CSV inkluderar antal och PDF-sidnummer; TXT innehåller endast värden.
Välj ett sidnummer i Resultat för att kontrollera källan. Markeringar visar ungefärliga positioner.
100%
Din extraherade lista är klar
Din lista är klar. Ladda ner den eller gå tillbaka för att granska och ändra format.
Advertisements
Ad placeholder336 × 280468 × 60Responsive · flexible width × 250Up to 300 × 50
Din PDF bearbetas i denna webbläsare.
PDF
Hur man extraherar data från PDF
- 01
Välj en PDF
Ladda ett dokument med valbar text, eller prova exemplet.
- 02
Extrahera och granska
Välj Extrahera. Granska värden, antal och källsidor; filtrera eller sortera listan.
- 03
Kopiera eller ladda ner
Kopiera värdena, eller ladda ner CSV med sidreferenser eller en enkel TXT-lista.
Extrahera strukturerade värden från en PDF till CSV eller text
Välj de datatyper du behöver: e-postadresser, telefonnummer, URL:er, numeriska datum, IPv4-adresser, domäner, DOI, ISBN, hashtags och MAC-adresser. Granska de extraherade värdena med antal och sidreferenser.
SNABB VIDEO-TUTORIAL
Hur man extraherar strukturerad data från en PDF
Samla kontakter och forskningsidentifierare i en organiserad lista.
Engelsk berättarröst
Se videon
När är detta användbart?
Rapporter
Hämta ut numeriska detaljer
Hitta daterade poster och IPv4-adresser.
Kataloger
Bygg en kontaktlista
Kombinera e-postadresser, telefonnummer och webblänkar i en strukturerad export.
Funktioner och kontroller
Välj användbara datatyper
Börja med e-postadresser, telefonnummer och webbadresser, öppna sedan Fler datatyper för specialiserade värden.
Vad igenkänningsverktygen stöder
Datum måste använda ett numeriskt format med ett fyrsiffrigt år; tvetydiga dag/månad-värden behåller sin källordning. IPv4-oktetter valideras; IPv6 inkluderas inte.
Domäner härleds från igenkända e-postadresser och webblänkar, inte godtyckliga filnamn. DOI-extrahering täcker vanliga moderna DOI-format, inte alla historiska former. ISBN-13-värden behöver en giltig kontrollsumma; ISBN-10 behöver också en ISBN-etikett. Hashtags kan innehålla Unicode-bokstäver, inklusive arabiska.
MAC-adresser använder sex kolon- eller bindestrecksseparerade par. Verktyget kontaktar aldrig extraherade adresser eller identifierare.
Granska värden med deras källsidor
Kontrollera antal, hoppa till en PDF-sida och filtrera resultatlistan.
Granska och organisera
Varje resultat registrerar den fysiska sidpositionen i PDF-filen, vilket kan skilja sig från tryckta sidnummer. Välj en sidmarkör för att öppna förhandsgranskningen med en ungefärlig markering.
Ta bort dubbletter är aktiverat som standard. Antal kombinerar igenkända upprepningar av samma värde; stäng av för att se separata förekomster. Sortera alfabetiskt ändrar listans ordning. Filtrering gäller både kopiering och nedladdningar samt de synliga raderna.
Kopiera värden eller ladda ner en strukturerad lista
Välj CSV för antal och sidor, eller TXT för ett värde per rad.
Vad varje nedladdning innehåller
CSV innehåller kolumnerna Typ, Värde, Antal och Sidor. UTF-8-kodning stöder arabiska och andra skript. Värden som kan tolkas som kalkylbladsformler föregås av en apostrof för säkrare import.
TXT och Kopiera alla innehåller endast värden, ett per rad. Alla rader som matchar filtret inkluderas, även när tabellen på skärmen sträcker sig över flera resultatsidor. Ingen ny PDF skapas och käll-PDF-filen förblir oförändrad.
Håll stora extraheringar hanterbara
Bearbeta en PDF i din webbläsare, med explicita gränser och meddelanden om partiella resultat.
Filer, gränser och skannade sidor
Ladda en PDF på upp till 50 MiB och 500 sidor. Extraheringen kontrollerar upp till 250 000 tecken och 2 000 matchningar per sida, 10 miljoner tecken och 20 000 matchningar totalt, samt 2 000 anteckningar per sida. En tidsbudget på 90 sekunder begränsar långa körningar. Mycket komplexa dokument kan fungera bättre om de delas upp i mindre filer.
När en gräns nås eller en sida inte kan läsas fullständigt, visar resultaten ett meddelande och begränsade eller misslyckade körningar exporteras med partial i filnamnet. Sidor utan valbar text räknas separat. Använd PDF OCR för bildbaserade skanningar, återvänd sedan för att extrahera den igenkända texten.
PDF-innehåll bearbetas lokalt i denna webbläsare. Uppladdade dokument skickas inte till en extraheringsserver. Länkar, e-postadresser och telefonnummer som hittas i PDF-filen kontaktas aldrig automatiskt.
Filer och bearbetning som stöds
- Indata
- Utdata
- CSV / TXT
Öppna en PDF på upp till 50 MB och 750 sidor. Ytterligare begränsningar för utdata, minne och bearbetning kan gälla för komplexa dokument.
Bearbetningen sker på din enhet utan att dokumentet laddas upp. Ladda ner resultatet innan du stänger sidan; spara originalet separat.
Advertisements
Ad placeholderResponsive · up to 1933 × 500Responsive · up to 1933 × 250468 × 60Up to 320 × 100Up to 300 × 50
Vanliga frågor
Några användbara svar
Vet vad du kan förvänta dig innan du börjar.
På din enhetVad kan det här verktyget identifiera?
Välj de datatyper du behöver: e-postadresser, telefonnummer, URL:er, numeriska datum, IPv4-adresser, domäner, DOI, ISBN, hashtags och MAC-adresser. Granska de extraherade värdena med antal och sidreferenser. Detta extraherar identifierbara värden, inte tabeller, fakturor eller semantiska fält. Mönster och kontrollsummor minskar brus men garanterar inte fullständighet eller bevisar att en identifierare är äkta.
Kan jag extrahera data från skannade PDF-filer?
Endast valbar text och identifierade länkmål läses. Sidor som endast består av bilder behöver först PDF-OCR. Kör OCR, ladda ner den sökbara PDF-filen och återvänd sedan till denna extraktor.
Hur hanteras dubbletter och antal?
Ta bort dubbletter kombinerar identifierade likvärdiga värden. Antal visar upptäckta förekomster och Sidor listar fysiska PDF-sidpositioner. Inaktivera alternativet för att behålla förekomster separata. Ett utskrivet mål och en matchande klickbar länk på samma sida räknas inte dubbelt.
Vad är skillnaden mellan CSV och TXT?
CSV inkluderar typ, värde, antal förekomster och sidreferenser. TXT och Kopiera alla tillhandahåller endast värden, ett per rad. Alla rader som matchar det aktuella filtret inkluderas, inte bara den synliga tabellsidan.
Laddas PDF-filen upp för extrahering?
Nej. PDF-tolkning, matchning och export körs i denna webbläsare. Den ursprungliga PDF-filen förblir oförändrad. Ingen extraherad länk, e-postadress eller telefonnummer kontaktas automatiskt.
Vilka är begränsningarna?
En PDF på upp till 50 MiB och 500 sidor. Extrahering är begränsad till 250 000 texttecken och 2 000 matchningar per sida, 10 miljoner tecken och 20 000 matchningar totalt, samt 2 000 anteckningar per sida. Resultaten bär en notis om begränsningar eller oläsbara sidor gör dem ofullständiga.
