Dokumentenextraktion

Manche Dokumente sind Bilder von Text: eingescannte Bücher, kopierte Archive, vertikal gesetzte Seiten. Die Extraktion liest diese und liefert Text und Struktur, die Sie durchsuchen und bearbeiten können.

Vertikaler japanischer und chinesischer Satz wird in horizontale Ausgabe umgewandelt, und mehrspaltige Seiten werden in der Leserichtung zurückgegeben, anstatt als ein durcheinandergewürfelter Block.

Wann man es verwendet

Die Grenze zur Formatkonvertierung liegt dort, wo der Text noch in einem Bild eingeschlossen ist. Scans, Fotos und alte, vertikal gesetzte Bücher gehören hierher, da die Zeichen zuerst erkannt werden müssen. Dokumente, die bereits sauber und digital vorliegen, bei denen der Text ausgewählt werden kann und nur die Dateiendung falsch ist, werden durch die Formatkonvertierung verarbeitet, was schneller geht. Beide kosten 4 Account-Credits pro Seite, aber sie zählen Seiten unterschiedlich: Die Dokumentenextraktion zählt die Seiten des Originals, während die Formatkonvertierung den Text der gesamten konvertierten Datei zählt (eine Seite pro angefangene 1.600 Zeichen, wobei der Rest wegfällt und mindestens eine Seite berechnet wird). Bei demselben PDF kostet eine mehrseitige Datei mit durchschnittlich weniger als 1.600 Zeichen pro Seite weniger in der Konvertierung; eine mit durchschnittlich mehr als 1.600 Zeichen pro Seite oder mit nur einer Seite kostet nicht weniger.

Nur Extraktion, keine Übersetzung – welche Sprache auch immer eingegeben wird, kommt wieder heraus. Verwenden Sie die Dateiübersetzung, wenn Sie eine Übersetzung benötigen.

Was akzeptiert und produziert wird

Es akzeptiert PDF, Bilder (PNG / JPG / WEBP / TIFF und ähnliche), DOCX, EPUB und Markdown und produziert Word, PDF, TXT oder Markdown. Die Abrechnung erfolgt pro Seite: 4 Account-Credits pro Seite, wobei ein einzelnes Bild als eine Seite zählt.

Es läuft als Hintergrundauftrag, sodass Sie die Seite schließen und das Ergebnis später unter Verlauf abrufen können. Abgeschlossene Aufträge können online in der Vorschau angesehen werden.

Wann die Extraktion am genauesten ist

Sauberer Druck, gerade eingescannt, liefert die höchste Erkennungsrate.
Vertikales Japanisch, Doppelseiten und andere ungewöhnliche Leserichtungen werden automatisch korrigiert – Sie müssen die Seiten nicht selbst trennen.
Wenn das Bild unscharf oder größtenteils handschriftlich ist, ist es sicherer, es vor dem Export mit dem Original abzugleichen.

Auswahl zwischen den vier Exportformaten

Export	Wählen Sie dies, wenn
Word	Sie weiter bearbeiten, formatieren oder das Dokument an jemanden weitergeben möchten.
Markdown	Es in eine Notizen-App, eine Wissensdatenbank oder Ihr eigenes Schreib-Setup integriert werden soll.
TXT	Sie reinen Text benötigen, um ihn in ein anderes Tool einzuspeisen oder zu durchsuchen.
PDF	Sie es nur lesen und archivieren möchten.

Beispiele

Zwei gescannte Seiten des U.S. Census Abstract von 1913 (zweispaltiger Text plus Statistiktabellen, keine Textebene) werden durch die Dokumentenextraktion in bearbeitbaren Text umgewandelt: Der Fließtext und die fettgedruckten Überschriften werden präzise erkannt, und beide Tabellen, eine davon mit einer zweistufigen Kopfzeile, werden als echte Tabellen mit 30 Datenzeilen zurückgegeben, deren Zahlen Zelle für Zelle mit dem Original übereinstimmen, Fußnoten inklusive.

Scan von Seite 437 des U.S. Census Abstract von 1913: vergilbtes Papier mit zweispaltigem Text oben, einer Statistik-Tabelle mit der Bezeichnung Tabelle 1 in der Mitte und zweispaltigen Definitionen darunter. — Seite 437 des U.S. Census Abstract von 1913, ein Scan ohne Textebene: Der Fließtext und die fettgedruckten Überschriften werden präzise erkannt, und Tabelle 1 wird zu einer bearbeitbaren Tabelle mit 15 Zeilen und 5 Datenspalten, deren 75 Zahlen Zelle für Zelle mit dem Original übereinstimmen.

Das extrahierte Markdown gerendert: die Überschrift GENERAL SUMMARY., Fließtextabsätze mit fettgedruckten Überschriften und eine Datentabelle mit den Spalten Total, Continental United States, Alaska, Hawaii und Porto Rico. — Seite 437 des U.S. Census Abstract von 1913, ein Scan ohne Textebene: Der Fließtext und die fettgedruckten Überschriften werden präzise erkannt, und Tabelle 1 wird zu einer bearbeitbaren Tabelle mit 15 Zeilen und 5 Datenspalten, deren 75 Zahlen Zelle für Zelle mit dem Original übereinstimmen.

Scan von Seite 438: eine zweispaltige Einleitung oben, die Vergleichstabelle Tabelle 2 (Zahlen für 1909, 1904, 1899 und zwei Spalten für prozentuale Zunahme) in der Mitte und zweispaltiger Text darunter. — Seite 438: eine Vergleichstabelle von 1899–1909 mit einer zweistufigen Kopfzeile (Anzahl oder Betrag und prozentuale Zunahme, jeweils nach Jahr unterteilt) wird zu einer bearbeitbaren Tabelle mit zwei Kopfzeilen und Zahlen, die Zelle für Zelle mit dem Original übereinstimmen; die Fußnotenmarkierung (1) und die Fußnote "Figures not available." bleiben erhalten.

Das extrahierte Markdown gerendert: der Einleitungsabsatz, Tabelle 2 als Datentabelle (1909, 1904, 1899 und zwei Spalten für prozentuale Zunahme), die Fußnote und die folgenden Fließtextabsätze. — Seite 438: eine Vergleichstabelle von 1899–1909 mit einer zweistufigen Kopfzeile (Anzahl oder Betrag und prozentuale Zunahme, jeweils nach Jahr unterteilt) wird zu einer bearbeitbaren Tabelle mit zwei Kopfzeilen und Zahlen, die Zelle für Zelle mit dem Original übereinstimmen; die Fußnotenmarkierung (1) und die Fußnote "Figures not available." bleiben erhalten.

Tatsächliches Produktionsergebnis; 5 Stellen vor der Anzeige manuell korrigiert · Quelle: Thirteenth Census of the United States Taken in the Year 1910: Abstract of the Census, United States Bureau of the Census, 1913 (Arbeit der US-Regierung: zusammengestellt vom U.S. Bureau of the Census und 1913 vom Government Printing Office veröffentlicht, daher gemäß 17 U.S.C. §105 nicht urheberrechtlich geschützt; das Internet Archive-Objekt (gescannt von den University of California Libraries) ist als possible-copyright-status = NOT_IN_COPYRIGHT markiert.)

Häufige Fragen

Wird vertikales Japanisch wieder in die richtige Reihenfolge gebracht?

Ja. Vertikales Japanisch, Doppelseiten und andere ungewöhnliche Leserichtungen werden automatisch korrigiert und in horizontale Ausgabe umgewandelt, ohne dass Sie Seiten selbst trennen müssen. Mehrspaltige Seiten werden in der Leserichtung zurückgegeben, anstatt als ein durcheinandergewürfelter Block.

Wie erfolgt die Abrechnung?

Pro Seite: 4 Account-Credits pro Seite, wobei ein einzelnes Bild als eine Seite zählt.

Kann es das Extrahierte übersetzen?

Nicht auf dieser Seite. Wenn Sie eine Übersetzung benötigen, nehmen Sie die extrahierte Word- oder Markdown-Datei und verwenden Sie die Dateiübersetzung.