Парсер PDF (Parser)
Открыть приложение: Разобрать PDF на части → (products.documentize.app)
В одном предложении
Parser разбирает PDF на части за один заход и выдаёт вам ZIP с текстом, картинками, вложенными файлами, комментариями и пометками, закладками и данными формы — каждое отдельным файлом.
Что в нём особенного
- Это извлекатель «всё сразу». Остальные приложения этого семейства забирают что-то одно; Parser забирает всё, что вообще можно достать.
- Он добирается до того, чего не касается ни один другой извлекатель семейства: вложенных файлов (файлов, встроенных в PDF), аннотаций (комментариев, выделений, заметок) и закладок (дерева оглавления).
- Сайт называет его инструментом для извлечения «текста, изображений, таблиц и метаданных» в одном месте. В проверенной нами версии на выходе текст, изображения, вложения, аннотации, закладки и данные формы; отдельного файла с таблицами или координатами нет, а метаданные покрывает Извлечение метаданных (Extract Metadata) (проверьте в работающем приложении, если вам нужны таблицы).
Parser и «Извлечение данных формы»: форма на выходе Parser — файл XFDF (формат обмена данными форм, рассчитанный на другие PDF-инструменты); Извлечение данных формы (Extract Form Data) выдаёт CSV, который открывается в таблице. Выбирайте Parser, когда нужно перенести данные формы в другой PDF-инструмент или получить весь комплект; для таблиц выбирайте «Извлечение данных формы».
Когда использовать, а когда нет
- Используйте, чтобы провести аудит PDF («что в нём спрятано?»), спасти встроенные файлы, выгрузить комментарии рецензентов или сохранить резервную копию структуры закладок и данных формы перед правкой.
- Не используйте, если нужен только один вид содержимого: «Извлечь текст» (Extract Text), «Извлечение изображений» (Extract Image) или «Извлечение данных формы» легче и понятнее.
- Не используйте для сканов без текстового слоя: файл с текстом будет пустым, пока вы не запустите Searchable.
Прежде чем начать
- Нужен PDF (можно несколько). Файлы, защищённые паролем, нужно разблокировать.
- Ждите много файлов в результате, особенно изображений.
Пошагово
- Откройте «Парсер PDF» (так озаглавлена страница: «Извлечь данные из PDF») и загрузите PDF.
- Нажмите «ИЗВЛЕЧЬ».
- Скачайте ZIP и откройте его. Кнопка «Извлечь еще» начинает всё заново.
📷 Заглушка для скриншота: содержимое ZIP разобранного PDF
Параметры
| Параметр | Что делает | По умолчанию | Рекомендация |
|---|---|---|---|
| (нет) | Настроек у приложения нет; оно всегда пытается выполнить все виды извлечения | - | - |
Что вы получите
Один ZIP (Parser_parser.zip), в котором могут быть:
- <имя>.txt: текст документа.
- <имя>00000001.png, ...: каждая встроенная картинка.
- Вложенные файлы: каждый встроенный файл под своим именем.
- annotation.xfdf: комментарии, выделения и прочие аннотации.
- bookmarks.xml: дерево закладок.
- formdata.xfdf: поля формы и их значения.
Части, которых нет в вашем PDF, просто пусты или отсутствуют, а сбой одной части не останавливает остальные. Исходный PDF не изменяется.
Качество и ограничения
- Текст — это собственный текст файла (без распознавания), поэтому для сканов .txt будет пустым.
- Изображения извлекаются так, как хранятся, и сохраняются в PNG.
- Файлы XFDF/XML — технические форматы: другим программам и разработчикам с ними удобно, человеку — не очень. Их можно открыть в текстовом редакторе.
- Сложные макеты, необычные шрифты и изображения с низким разрешением могут снизить точность (о чём предупреждает и FAQ сайта).
- Результаты хранятся около двух дней.
Хорошо сочетается с
- До него: Разблокировка PDF (Unlock), Searchable.
- После него: Извлечение данных формы — вариант формы для таблицы, Извлечение метаданных — свойства документа, Изображение в TXT (OCR Image) — для извлечённых изображений страниц.
- Рецепты: Забрать всё из брошюры, Оцифровка архива.
Типичные ошибки и как их исправить
- «В моём ZIP .txt пустой» → отсканированный PDF; сначала запустите Searchable.
- «Где таблицы?» → файла с таблицами нет; для отсканированных таблиц используйте Searchable с выводом в Excel и «только таблицы».
- «Не могу прочитать .xfdf» → он рассчитан на программы; для удобной человеку выгрузки формы используйте Извлечение данных формы.
- «Слишком много файлов» → возьмите вместо этого извлекатель с одной задачей.
То же самое в других местах
- Плагин CLI: Documentize.Parser (описан как извлекающий структурированные данные об абзацах и макете).
- Инструмент MCP: ParseDocument.
- См. За пределами браузера.
Попробуйте
Возьмите PDF после рецензирования, где есть несколько комментариев, закладки и, возможно, вложение. Запустите Parser, распакуйте ZIP и откройте annotation.xfdf и bookmarks.xml в текстовом редакторе: вы увидите свои комментарии и названия глав. Сравните .txt с результатом «Извлечь текст» на том же файле.