Извлечение данных из документов

Некоторые документы представляют собой изображения текста: отсканированные книги, ксерокопии архивов, страницы с вертикальной версткой. Функция извлечения считывает их и возвращает текст и структуру, которые можно искать и редактировать.

Вертикальная японская и китайская верстка преобразуется в горизонтальный формат, а многоколоночные страницы возвращаются в порядке чтения, а не как один неразборчивый блок.

Когда использовать

Критерием выбора между преобразованием формата и извлечением является то, заблокирован ли текст внутри изображения. Сканы, фотографии и старые книги с вертикальной версткой относятся к извлечению, так как символы нужно сначала распознать. Документы, которые уже являются чистыми и цифровыми, где текст можно выделить, а проблема лишь в расширении файла, проходят через преобразование формата, что быстрее. Оба варианта стоят 4 кредита за страницу, но они считают страницы по-разному: извлечение документов считает страницы оригинала, в то время как преобразование формата считает текст всего преобразованного файла (одна страница на каждые полные 1600 знаков, остаток отбрасывается, оплата минимум за одну страницу). Для одного и того же PDF многостраничный файл, где в среднем менее 1600 знаков на страницу, стоит дешевле при преобразовании; файл, где в среднем более 1600 знаков на страницу или всего одна страница, стоит при преобразовании не меньше.

Только извлечение, без перевода — какой язык был на входе, такой и будет на выходе. Используйте перевод файлов, если вам нужен перевод.

Что принимается и что получается на выходе

Поддерживаются PDF, изображения (PNG / JPG / WEBP / TIFF и аналогичные), DOCX, EPUB и Markdown. Результат выдается в форматах Word, PDF, TXT или Markdown. Оплата за страницу: 4 кредита за страницу, одно изображение считается за одну страницу.

Задание выполняется в фоновом режиме, поэтому вы можете закрыть страницу и забрать результат позже в разделе «История». Готовые задания можно просмотреть онлайн.

Когда извлечение наиболее точно

Четкий шрифт, ровное сканирование обеспечивают наивысший процент распознавания.
Вертикальный японский текст, развороты из двух страниц и другие необычные порядки чтения исправляются автоматически — нет необходимости разделять страницы самостоятельно.
Если изображение размыто или в основном рукописное, безопаснее проверить результат по оригиналу перед экспортом.

Выбор между четырьмя вариантами экспорта

Экспорт	Выбирайте, если
Word	Вы планируете продолжать редактирование, форматирование или передать файл кому-то еще.
Markdown	Файл пойдет в приложение для заметок, базу знаний или вашу систему для работы с текстом.
TXT	Вам нужен простой текст для передачи в другой инструмент или для поиска.
PDF	Вы собираетесь просто прочитать и сохранить его в архив.

Примеры результатов

Две отсканированные страницы Реферата переписи населения США 1913 года (двухколоночный текст плюс статистические таблицы, без текстового слоя) превращаются в редактируемый текст с помощью функции извлечения документов: основной текст и полужирные заголовки распознаются точно, а обе таблицы, включая одну с двухуровневым заголовком, возвращаются как настоящие таблицы с 30 строками данных, цифры в которых соответствуют оригиналу ячейка в ячейку, включая сноски.

Скан страницы 437 Реферата переписи населения США 1913 года: пожелтевшая бумага с двухколоночным текстом вверху, статистическая таблица с подписью «Таблица 1» посередине и двухколоночные определения внизу. — Страница 437 Реферата переписи населения США 1913 года, скан без текстового слоя: основной текст и полужирные заголовки распознаются точно, а таблица 1 становится редактируемой таблицей из 15 строк и 5 столбцов данных, 75 цифр в которой соответствуют оригиналу ячейка в ячейку.

Отображение извлеченного Markdown: заголовок GENERAL SUMMARY., основные абзацы с полужирными заголовками и таблица данных со столбцами Total, Continental United States, Alaska, Hawaii и Porto Rico. — Страница 437 Реферата переписи населения США 1913 года, скан без текстового слоя: основной текст и полужирные заголовки распознаются точно, а таблица 1 становится редактируемой таблицей из 15 строк и 5 столбцов данных, 75 цифр в которой соответствуют оригиналу ячейка в ячейку.

Скан страницы 438: двухколоночное вступление вверху, сравнительная таблица «Таблица 2» (цифры за 1909, 1904, 1899 годы и два столбца процентного увеличения) посередине и двухколоночный текст внизу. — Страница 438: сравнительная таблица за 1899–1909 годы с двухуровневым заголовком (Number or Amount и Per Cent of Increase, каждый разделен по годам) становится редактируемой таблицей с двумя строками заголовка и цифрами, соответствующими оригиналу ячейка в ячейку; маркер сноски (1) и сноска «Figures not available.» сохранены.

Отображение извлеченного Markdown: вступительный абзац, таблица 2 как таблица данных (столбцы за 1909, 1904, 1899 годы и два столбца процентного увеличения), сноска и последующие основные абзацы. — Страница 438: сравнительная таблица за 1899–1909 годы с двухуровневым заголовком (Number or Amount и Per Cent of Increase, каждый разделен по годам) становится редактируемой таблицей с двумя строками заголовка и цифрами, соответствующими оригиналу ячейка в ячейку; маркер сноски (1) и сноска «Figures not available.» сохранены.

Фактический результат обработки; 5 мест исправлены вручную перед отображением · Источник: Тринадцатая перепись населения Соединенных Штатов, проведенная в 1910 году: Реферат переписи, Бюро переписи населения Соединенных Штатов, 1913 (Работа правительства США: составлена Бюро переписи населения США и опубликована Типографией правительства в 1913 году, поэтому не подлежит защите авторским правом согласно 17 U.S.C. §105; объект Internet Archive (отсканированный библиотеками Калифорнийского университета) помечен как possible-copyright-status = NOT_IN_COPYRIGHT.)

Частые вопросы

Восстанавливается ли правильный порядок в вертикальном японском тексте?

Да. Вертикальный японский текст, развороты из двух страниц и другие необычные порядки чтения исправляются автоматически и преобразуются в горизонтальный формат без необходимости разделять страницы вручную. Многоколоночные страницы возвращаются в порядке чтения, а не как один неразборчивый блок.

Как происходит оплата?

За страницу: 4 кредита за страницу, одно изображение считается за одну страницу.

Можно ли перевести извлеченный текст?

Не на этой странице. Если вам нужен перевод, возьмите извлеченный файл Word или Markdown и используйте функцию перевода файлов.