مستخرج البيانات المنظمة من PDF

ما الذي تقرأه هذه الأداة فعلاً

معظم محوّلات «PDF إلى JSON» تعيد جداراً مسطّحاً من النص. المستند ليس مسطّحاً: فيه عناوين وفقرات وقوائم وجداول وأشكال، وضياع هذا التسلسل الهرمي هو بالضبط ما يجعل الناتج عديم الفائدة للفهرسة أو الترحيل أو تغذية خط استرجاع. تعيد هذه الأداة بناء التسلسل، والأهم أنها تخبرك من أين جاءت كل إجابة.

المصدر الأول — شجرة البنية الموسومة

ملف PDF الميسَّر يحمل شجرة بنية: كتب منتج الملف صراحةً أن هذا التتابع من الحروف عنوان H2 وذاك فقرة P، مع نص بديل للأشكال. عند وجود هذه الشجرة تكون هي إقرار المستند عن نفسه، وتُستخدم حرفياً بما في ذلك مستويات العناوين ونص /Alt للأشكال. تُوسم هذه الصفحات بأنها موسومة.

المصدر الثاني — استنتاج التخطيط

معظم ملفات PDF لا تملك تلك الشجرة، فيلزم استنتاج البنية من الهندسة:

• ارتفاع السطر الأكثر تكراراً — الحجم الذي رُكِّب به معظم حروف الصفحة — يُعتبر حجم النص الأساسي.
• السطر الأعلى بوضوح من النص الأساسي عنوان، ومقدار الفرق يحدّد المستوى.
• السطر الذي يبدأ بنقطة تعداد أو بعلامة 1. ويكون مزاحاً عن حافة النص الأساسي هو عنصر قائمة، والأسطر المتتالية تصير قائمة واحدة.
• أسطر النص المتتالية بتباعد عادي تُدمج من جديد في فقرة واحدة، فتصل الجملة الموزّعة على أربعة أسطر جملةً واحدة.
• تأتي الجداول من كاشف الجداول، وتُزال الأسطر الواقعة داخل جدول مكتشف من التدفق حتى لا يظهر المحتوى نفسه مرتين.

تُوسم هذه الصفحات بأنها مستنتجة، وهذه ليست زينة. الاستنتاج يخطئ أحياناً في التنسيق ذي العمودين أو الترويسة الجارية أو الاقتباس البارز، فراجع المخطط أمام المعاينة قبل الاعتماد عليه.

استخدام الناتج

كل كتلة تحمل مستطيلها المحيط، فيمكنك إعادة أي عقدة JSON إلى موضعها على الصفحة. انقر أي صف في المخطط لتظليل الكتلة في المعاينة، أو انقر منطقة مظللة للانتقال إلى صفها. يمكن نسخ JSON أو تنزيله كاملاً.

الخصوصية

الملف لا يغادر جهازك. التحليل واستعادة البنية والتصدير كلها تجري داخل المتصفح، دون أي اتصال بالشبكة أثناء المعالجة.