Dansk

PDF-ekstraktoren analyserer online PDF-dokumenter for at hente indhold som indbygget tekst, tabeller og indlejret metadata. Den understøtter både elektronisk genererede PDFs og scannede dokumenter via OCR og leverer output som TXT, JSON, CSV og XML til downstream-workflows.
Konceptuelt udfører værktøjet layout-sensitiv udtræk: det identificerer tekstblokke, tabelgitter og metadatafelter ved at vurdere skrifttyper, afstand og tabelregler. For scannede sider konverterer OCR billeder til tekst og kan bruge sprogmodeller for at forbedre nøjagtigheden. Brugere kan vælge hvilke komponenter der skal udtrækkes og justere dybden af tabelgenkendelse.
Målgrupperne inkluderer forskere, der samler data fra videnskabelige artikler, studerende, der digitaliserer noter, juridiske eller compliance-teams, der udtrækker klausuler, og dataforskere, der integrerer PDFs i datapipelines. Værktøjet lægger vægt på pålidelighed, batch-behandling og kompatibilitet med almindelige dataformater for at lette indeksering, søgning og arkivering.
Unikt er kombinationen af layout-sensitiv udtræk med fleksible eksportmuligheder og OCR-håndtering af lavkvalitets-scanninger – uden at ændre kildefilen. Kernefunktioner inkluderer selektive udtræk på tekst, tabeller og metadata, valgfri OCR-sprogsupport, batch-behandling og eksport som TXT, JSON, CSV eller XML.