Tiny Online Tools
Что этот инструмент действительно читает
Большинство конвертеров «PDF в JSON» отдают плоскую стену текста. Документ не плоский: в нём есть заголовки, абзацы, списки, таблицы и иллюстрации, и именно потеря иерархии делает результат бесполезным для индексации, миграции или подачи в поисковый конвейер. Этот инструмент восстанавливает иерархию и, что важнее, сообщает, откуда взялся каждый ответ.
Источник 1 — дерево тегов
Доступный PDF несёт дерево структуры: создатель явно записал, что вот эта последовательность глифов — H2, а та — P, а у иллюстраций указан альтернативный текст. Если дерево есть, это собственное утверждение документа о себе, и оно используется дословно, включая уровни заголовков и /Alt у иллюстраций. Такие страницы помечаются как тегированные.
Источник 2 — вывод по разметке
У большинства PDF такого дерева нет. Тогда структуру приходится выводить из геометрии:
- Модальная высота строки — размер, которым набрано большинство символов страницы, — принимается за основной кегль.
- Строка заметно выше основного текста считается заголовком, а насколько выше — определяет уровень.
- Строка, начинающаяся с маркера или
1.и сдвинутая правее левого края основного текста, — элемент списка; идущие подряд объединяются в один список. - Идущие подряд строки основного текста с обычным интерлиньяжем снова склеиваются в абзац, поэтому фраза, разбитая на четыре строки, приходит одной фразой.
- Таблицы берутся из детектора таблиц, а строки внутри найденной таблицы убираются из потока, чтобы одно и то же содержимое не выдавалось дважды.
Такие страницы помечаются как выведенные, и эта пометка не украшение. Вывод иногда ошибается на двухколоночной вёрстке, колонтитулах и врезках — сверьте оглавление с предпросмотром, прежде чем полагаться на него.
Как использовать результат
У каждого блока есть ограничивающий прямоугольник, поэтому узел JSON можно вернуть на конкретное место страницы. Нажмите строку в оглавлении, чтобы подсветить блок в предпросмотре, или нажмите подсвеченную область, чтобы перейти к её строке. JSON копируется или скачивается целиком.
Конфиденциальность
Файл не покидает ваше устройство. Разбор, восстановление структуры и выгрузка происходят в браузере, без единого сетевого запроса во время обработки.