Extrator de dados estruturados de PDF

O que esta ferramenta lê de facto

A maioria dos conversores «PDF para JSON» devolve um muro plano de texto. Um documento não é plano: tem títulos, parágrafos, listas, tabelas e figuras, e perder essa hierarquia é exatamente o que torna o resultado inútil para indexar, migrar ou alimentar um pipeline de recuperação. Esta ferramenta reconstrói a hierarquia e, mais importante, diz-lhe de onde veio cada resposta.

Fonte 1 — a árvore de estrutura etiquetada

Um PDF acessível traz uma árvore de estrutura: o produtor escreveu explicitamente que esta sequência de glifos é um H2 e aquela um P, com texto alternativo nas figuras. Quando existe, essa árvore é a declaração do próprio documento sobre si mesmo e é usada literalmente, incluindo os níveis de título e o /Alt das figuras. Essas páginas são marcadas como etiquetadas.

Fonte 2 — inferência de layout

A maioria dos PDF não tem essa árvore. Então a estrutura tem de ser inferida da geometria:

• A altura de linha modal — o tamanho em que está composta a maior parte dos caracteres da página — é tomada como o corpo de texto.
• Uma linha claramente mais alta que o corpo é um título, e o quanto mais alta define o nível.
• Uma linha que começa por um marcador ou por 1. e está indentada para além da margem do corpo é um item de lista; as consecutivas formam uma única lista.
• Linhas de corpo consecutivas com entrelinha normal voltam a juntar-se num parágrafo, de modo que uma frase repartida por quatro linhas chega como uma só frase.
• As tabelas vêm do detetor de tabelas, e as linhas dentro de uma tabela detetada são retiradas do fluxo para não emitir o mesmo conteúdo duas vezes.

Essas páginas são marcadas como inferidas, e o rótulo não é decorativo. A inferência engana-se de vez em quando com um layout de duas colunas, um cabeçalho corrido ou uma citação destacada; confirme o esquema na pré-visualização antes de confiar.

Usar o resultado

Cada bloco traz o seu retângulo delimitador, portanto é possível levar um nó JSON de volta a um sítio da página. Clique em qualquer linha do esquema para a realçar na pré-visualização, ou numa região realçada para saltar para a sua linha. O JSON pode ser copiado ou descarregado inteiro.

Privacidade

O ficheiro nunca sai do seu dispositivo. A análise, a recuperação da estrutura e a exportação acontecem no navegador, sem qualquer pedido de rede durante o processamento.