Extractor de datos estructurados de PDF

Qué lee realmente esta herramienta

La mayoría de los conversores «PDF a JSON» devuelven un muro plano de texto. Un documento no es plano: tiene títulos, párrafos, listas, tablas y figuras, y perder esa jerarquía es justo lo que vuelve inútil el resultado para indexar, migrar o alimentar una canalización de recuperación. Esta herramienta reconstruye la jerarquía y, sobre todo, te dice de dónde salió cada respuesta.

Fuente 1 — el árbol de estructura etiquetado

Un PDF accesible lleva un árbol de estructura: el productor escribió explícitamente que esta secuencia de glifos es un H2 y aquella un P, con texto alternativo en las figuras. Cuando existe, ese árbol es la declaración del propio documento sobre sí mismo y aquí se usa literalmente, incluidos los niveles de encabezado y el /Alt de las figuras. Esas páginas se marcan como etiquetadas.

Fuente 2 — inferencia de maquetación

La mayoría de los PDF no tienen ese árbol. Entonces la estructura hay que inferirla de la geometría:

• La altura de línea modal —el tamaño en el que está compuesta la mayoría de los caracteres de la página— se toma como el cuerpo de texto.
• Una línea claramente más alta que el cuerpo es un título, y cuánto más alta decide el nivel.
• Una línea que empieza por una viñeta o un marcador 1. y está sangrada más allá del margen del cuerpo es un elemento de lista; las consecutivas forman una sola lista.
• Las líneas de cuerpo consecutivas con interlineado normal se vuelven a unir en un párrafo, de modo que una frase repartida en cuatro líneas llega como una sola frase.
• Las tablas provienen del detector de tablas, y las líneas dentro de una tabla detectada se retiran del flujo para no emitir el mismo contenido dos veces.

Esas páginas se marcan como inferidas, y la etiqueta no es decorativa. La inferencia se equivoca de vez en cuando con una maquetación a dos columnas, un encabezado corrido o una cita destacada; contrasta el esquema con la vista previa antes de fiarte.

Usar el resultado

Cada bloque lleva su rectángulo delimitador, así que puedes llevar un nodo JSON de vuelta a un lugar de la página. Haz clic en cualquier fila del esquema para resaltarla en la vista previa, o en una región resaltada para saltar a su fila. El JSON se copia o se descarga entero.

Privacidad

El archivo no sale de tu dispositivo. El análisis, la recuperación de la estructura y la exportación ocurren en el navegador, sin ninguna petición de red durante el proceso.