Průvodce nástroji JSON: převod dokumentů a dat na JSON a zpět

Tento průvodce vysvětluje, jak nástroje JSON čtou a zapisují soubory, formát dokumentu, který produkují PDF do JSON a Word do JSON, a který nástroj použít pro každý úkol.

Proč JSON

JSON je datový formát, který nejsnáze čtou programy, webové služby a modely AI: objekty s pojmenovanými poli, seznamy, čísla, text, true, false a null, nic jiného. Dokumenty a tabulky se takto neukládají. Nástroje z této rodiny překlenují tento rozdíl v obou směrech: převádějí PDF, soubory Word, tabulky, CSV, YAML a XML na JSON a převádějí JSON zpět na soubory, které lidé čtou, například PDF, Word, Excel, CSV a HTML.

Každý nástroj běží na našich serverech přes zabezpečené připojení a nahraný soubor smaže do 60 minut. Textový vstup lze místo nahrání vložit přímo.

Který nástroj pro který úkol

Máte	Chcete	Použijte
PDF	Text, tabulky a metadata jako data	PDF do JSON
Dokument Word	Nadpisy, odstavce, seznamy a tabulky jako data	Word do JSON
Sešit Excelu	Záznamy, řádky nebo sloupce	Excel do JSON
Soubor CSV nebo TSV	Pole JSON s typovanými hodnotami	CSV do JSON
Soubor YAML	Stejná data jako JSON	YAML do JSON
Soubor XML	Objekty, atributy a pole	XML do JSON
JSON	PDF ke čtení nebo tisku	JSON do PDF
JSON	Sešit Excelu	JSON do Excelu
JSON	Soubor CSV	JSON do CSV
JSON	Upravitelný dokument Word	JSON do Word
JSON	Webovou stránku	JSON do HTML
JSON	YAML pro konfigurační soubor	JSON do YAML
JSON	XML pro jiný systém	JSON do XML
JSON, který je neuspořádaný nebo neplatný	Čistý, platný JSON	Formátovač JSON
Dva soubory JSON	Seznam toho, co se změnilo	Porovnat JSON

Markdown má svůj vlastní pár: Markdown do JSON exportuje strom dokumentu a JSON do Markdownu přemění JSON na osnovu nebo tabulku v Markdownu.

Formát dokumentu

PDF do JSON a Word do JSON zapisují stejný tvar, takže jeden kus kódu zvládá oba nástroje. Nejvyšší úroveň má vždy tato pole:

{
  "format": "acepdfmd-document",
  "version": 1,
  "source": {"type": "pdf", "filename": "report.pdf", "title": "Q3 Report", "pages": 12},
  "pages": [{"number": 1, "width": 612, "height": 792, "words": 380, "text": "..."}],
  "blocks": [
    {"type": "heading", "level": 1, "text": "Q3 Report"},
    {"type": "paragraph", "text": "Revenue grew..."},
    {"type": "list", "ordered": false, "items": [{"level": 0, "text": "Europe"}]},
    {"type": "table", "header": ["Region", "Q3"], "rows": [["Europe", 1200.5]]}
  ],
  "tables": [{"index": 1, "page": 3, "rows": [["Region", "Q3"], ["Europe", 1200.5]]}],
  "form_fields": [{"name": "email", "type": "text", "value": "[email protected]"}],
  "extraction": {"engine": "pdf_to_markdown/layout", "mode": "structure", "ocr": false, "warnings": []}
}

Pole mají tento význam:

source: co soubor byl, s metadaty, která obsahoval (název, autor, předmět, klíčová slova, data vytvoření a úpravy, počet stránek). Soubory Word navíc obsahují počet slov, tabulek a obrázků.
pages: jedna položka pro každou stránku PDF s její velikostí v bodech, otočením, počtem slov a jejím textem. Soubory Word stránky nemají, protože Word je rozvrhuje pouze při tisku.
blocks: dokument v pořadí čtení. Typy jsou heading (s úrovní 1 až 6), paragraph (s volitelným názvem stylu z Wordu), list (řazený nebo ne, položky s úrovní vnoření), table (záhlaví a typované řádky), code, blockquote, rule a image.
tables: u PDF každá zjištěná tabulka se stránkou, na které byla nalezena, a u tabulky, která pokračuje, i stránkou, na které končí. Buňky, které vypadají jako čísla, jsou čísla.
form_fields: přítomné pouze tehdy, když má PDF formulář. Každé pole má svůj název, typ (text, choice, button nebo signature) a aktuální hodnotu.
extraction: který převodník běžel, zvolený režim, zda byl potřeba OCR, a případná upozornění, například tabulka, kterou se nepodařilo rozpoznat.

Verze 1 tohoto formátu pouze přibírá nová pole; stávající pole si zachovávají své názvy a význam.

Tabulková data a vnořování

CSV a Excel jsou plochá, JSON není. Když JSON přechází do CSV nebo Excelu, vnořené objekty se zploští na názvy sloupců s tečkami a pole na indexované sloupce, takže záznam objednávky s objektem customer a polem items se stane sloupci jako customer.name, items[0].sku a items[1].sku. Když se CSV nebo Excel vrací zpět do JSON, takto zapsaná záhlaví se znovu sestaví do vnořených objektů a polí. Záhlaví s běžnou tečkou, například verze čísla nebo zkratka, se nechá bez zásahu.

Hodnoty se typují už při vstupu: čísla se stanou čísly, true a false se stanou booleovskými hodnotami, prázdná buňka se stane null a vše ostatní zůstane řetězcem. Data pocházející z Excelu se zapisují jako řetězce ISO 8601, protože JSON nemá typ data. Přepněte volbu typů hodnot na text, když identifikátory s nulami na začátku musí zůstat přesně tak, jak jsou napsané.

Validace a oprava

Každý nástroj JSON ověřuje svůj vstup stejným způsobem. Neplatný soubor je odmítnut s řádkem a sloupcem první chyby a krátkým úryvkem tohoto řádku. Formátovač JSON umí také opravit chyby, které lidé při vkládání dělají nejčastěji: komentáře, přebývající čárky, řetězce v jednoduchých uvozovkách, nekvótované klíče, velká písmena True, False a None, NaN a Infinity a bloky kódu kolem textu. Když byla oprava provedena, výsledek vám to sdělí, takže se nic nezmění tajně bez vašeho vědomí.

Ochrana soukromí

Nahrané soubory a vložený text se zpracovávají na našich serverech a smažou se do 60 minut; podrobnosti najdete v průvodci ochranou soukromí. Nic se neuchovává déle a nic se nepoužívá k jinému účelu.