Извлечение, чтение и поиск
Идея: PDF часто похож на запертую шкатулку. Внутри могут лежать слова, картинки, ответы из формы, комментарии, вложенные файлы — или только фотография страницы. Приложения этого семейства достают содержимое или помогают его найти. Они выдают текст, изображения, таблицы, копию с пометками или отчёт. Ваш оригинал они не меняют никогда.
Здесь два вида работы:
- Сделать читаемым. Скан — это всего лишь картинка. Изображение в TXT (OCR Image) и Searchable превращают картинки с текстом в текст.
- Достать или найти. Приложения группы «Извлечение», Парсер PDF (Parser) и Поиск в формате PDF (Search) работают с текстом, который уже есть в файле.
Приложения
| Приложение | Принимает | Выдаёт | В двух словах |
|---|---|---|---|
| Изображение в TXT (OCR Image) | изображения (JPG, PNG) | файлы .txt | Читает текст с фотографий и сканов |
| Searchable | отсканированный PDF | PDF (или Word, Excel, PowerPoint) | Те же страницы плюс невидимый текстовый слой |
| Извлечь текст (Extract Text) | PDF с текстом | .txt | Слова, которые уже есть в PDF; три режима форматирования |
| Извлечение изображений (Extract Image) | изображения PNG | Каждая встроенная картинка | |
| Извлечение метаданных (Extract Metadata) | таблица на экране + CSV | Автор, даты, программа-создатель, пользовательские свойства | |
| Извлечение данных формы (Extract Form Data) | заполненная PDF-форма | файлы CSV | Названия полей и ответы |
| Парсер PDF (Parser) | ZIP | Текст, изображения, вложения, аннотации, закладки и данные форм сразу | |
| Поиск в формате PDF (Search) | один или несколько PDF | PDF с подсвеченными совпадениями | Поиск слов или шаблонов, в том числе в сканах |
| Global Search | несколько набранных слов | список страниц сайта | Ищет инструменты на сайте Documentize (ваши файлы не просматривает) |
| ИИ-анализатор резюме (Resume Analyzer) | резюме (PDF/DOC) | PDF-отчёт | ИИ-проверка резюме на соответствие вакансии (ИИ-сайт) |
Быстрый выбор
- У меня фотографии с текстом, нужны слова → Изображение в TXT
- У меня отсканированный PDF, хочу искать и копировать из него → Searchable
- У меня обычный PDF, нужен текст → Извлечь текст
- Мне нужны картинки из PDF → Извлечение изображений
- Кто создал этот файл и когда? → Извлечение метаданных
- Ответы из возвращённых форм → Извлечение данных формы
- Всё, что внутри, за один раз → Парсер PDF
- Где в PDF встречается это слово? → Поиск в формате PDF
- Какой инструмент Documentize умеет X? → Global Search
- Подходит ли это резюме для этой вакансии? → ИИ-анализатор резюме
Похожие приложения в одной таблице
| Вход | Выход | Текстовый слой? | Читает пиксели? | |
|---|---|---|---|---|
| Изображение в TXT | картинки | .txt | PDF не создаётся | да |
| Searchable | отсканированный PDF | PDF со скрытым текстом | добавляет его | да |
| Извлечь текст | PDF с текстом | .txt | использует существующий | нет |
| Парсер PDF | ZIP из множества частей | использует существующий | нет | |
| Извлечение данных формы | PDF-форма | CSV | не имеет значения | нет |
Практические правила
- Если слова в вашем PDF нельзя выделить, это скан. Запустите Searchable раньше, чем «Извлечь текст», «Поиск в формате PDF» или «Парсер PDF».
- Выровняйте и поверните страницы до распознавания. Страницы, лежащие боком или с наклоном, дают плохой текст.
- Всегда указывайте язык документа для распознавания.
- Распознанный текст — это оценка, а не истина. Проверяйте имена, числа и юридические формулировки.
- Извлечение — не изменение. Оригиналы никогда не меняются; вы получаете новые файлы, которые хранятся около двух дней.
- Извлекайте данные до «запекания» (flatten) и блокировки. Из «запечённых» форм данные пропадают, а заблокированные файлы их не отдают.
Продолжайте чтением о том, как приложения работают вместе, или попробуйте практикум.