Οδηγός εργαλείων JSON: Μετατροπή εγγράφων και δεδομένων σε JSON και πίσω

Ο οδηγός εξηγεί πώς τα εργαλεία JSON διαβάζουν και γράφουν αρχεία και ποιο εργαλείο να χρησιμοποιήσετε για κάθε εργασία.

Γιατί JSON

Το JSON είναι η μορφή δεδομένων που διαβάζουν πιο εύκολα προγράμματα, υπηρεσίες ιστού και μοντέλα τεχνητής νοημοσύνης: αντικείμενα με ονομαστικά πεδία, λίστες, αριθμούς, κείμενο, true, false και null, τίποτα άλλο. Τα έγγραφα και τα υπολογιστικά φύλλα δεν αποθηκεύονται με αυτόν τον τρόπο. Τα εργαλεία αυτής της οικογένειας γεφυρώνουν το χάσμα προς τις δύο κατευθύνσεις: μετατρέπουν PDF, αρχεία Word, υπολογιστικά φύλλα, CSV, YAML και XML σε JSON, και μετατρέπουν το JSON πίσω σε αρχεία που διαβάζουν οι άνθρωποι, όπως PDF, Word, Excel, CSV και HTML.

Κάθε εργαλείο εκτελείται στους διακομιστές μας μέσω ασφαλούς σύνδεσης και διαγράφει το αρχείο που ανεβάσατε εντός 60 λεπτών. Το κείμενο εισόδου μπορεί να επικολληθεί απευθείας αντί να ανεβεί ως αρχείο.

Ποιο εργαλείο για ποια εργασία

Το Markdown έχει το δικό του ζευγάρι: το Markdown σε JSON εξάγει ένα δέντρο εγγράφου και το JSON σε Markdown μετατρέπει το JSON σε περίγραμμα ή πίνακα Markdown.

Η μορφή εγγράφου

Το PDF σε JSON και το Word σε JSON γράφουν την ίδια μορφή, ώστε ένα κομμάτι κώδικα να χειρίζεται και τα δύο. Το ανώτατο επίπεδο έχει πάντα αυτά τα πεδία:

{
  "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": []}
}

Τα πεδία σημαίνουν τα εξής:

• source: τι ήταν το αρχείο, με τα μεταδεδομένα που έφερε (τίτλος, συγγραφέας, θέμα, λέξεις-κλειδιά, ημερομηνίες δημιουργίας και τροποποίησης, αριθμός σελίδων). Τα αρχεία Word προσθέτουν τον αριθμό λέξεων, πινάκων και εικόνων.
• pages: μία καταχώριση ανά σελίδα PDF με το μέγεθός της σε σημεία, την περιστροφή της, έναν αριθμό λέξεων και το κείμενό της. Τα αρχεία Word δεν έχουν σελίδες, επειδή το Word διατάσσει σελίδες μόνο όταν εκτυπώνει.
• blocks: το έγγραφο με τη σειρά ανάγνωσης. Οι τύποι είναι heading (με επίπεδο 1 έως 6), paragraph (με προαιρετικό όνομα τεχνοτροπίας από το Word), list (διατεταγμένη ή όχι, στοιχεία με επίπεδο ένθεσης), table (επικεφαλίδα και τυποποιημένες γραμμές), code, blockquote, rule και image.
• tables: για τα PDF, κάθε εντοπισμένος πίνακας με τη σελίδα στην οποία βρέθηκε και, για έναν πίνακα που συνεχίζεται, τη σελίδα στην οποία τελειώνει. Τα κελιά που φαίνονται σαν αριθμοί είναι αριθμοί.
• form_fields: παρόν μόνο όταν το PDF έχει φόρμα. Κάθε πεδίο έχει το όνομά του, τον τύπο του (text, choice, button ή signature) και την τρέχουσα τιμή του.
• extraction: ποιος μετατροπέας εκτελέστηκε, τη λειτουργία που επιλέξατε, εάν χρειάστηκε OCR, και τυχόν προειδοποιήσεις, όπως έναν πίνακα που δεν μπόρεσε να εντοπιστεί.

Η έκδοση 1 αυτής της μορφής μόνο κερδίζει πεδία· τα υπάρχοντα πεδία διατηρούν τα ονόματα και τη σημασία τους.

Πινακοποιημένα δεδομένα και ένθεση

Το CSV και το Excel είναι επίπεδα, το JSON όχι. Όταν το JSON γίνεται CSV ή Excel, τα εμφωλευμένα αντικείμενα ισοπεδώνονται σε ονόματα στηλών με τελείες και οι πίνακες σε ονόματα με δείκτες, ώστε μια εγγραφή παραγγελίας με αντικείμενο πελάτη και πίνακα στοιχείων να γίνεται στήλες όπως customer.name, items[0].sku και items[1].sku. Όταν το CSV ή το Excel επιστρέφει σε JSON, οι επικεφαλίδες γραμμένες με αυτόν τον τρόπο ανακατασκευάζονται σε εμφωλευμένα αντικείμενα και πίνακες. Μια επικεφαλίδα με μια απλή τελεία μέσα της, όπως ένας αριθμός έκδοσης ή μια συντομογραφία, παραμένει όπως είναι.

Οι τιμές τυποποιούνται κατά την είσοδο: οι αριθμοί γίνονται αριθμοί, τα true και false γίνονται δυαδικές τιμές, ένα άδειο κελί γίνεται null, και όλα τα άλλα παραμένουν συμβολοσειρά. Οι ημερομηνίες που προέρχονται από το Excel γράφονται ως συμβολοσειρές ISO 8601, επειδή το JSON δεν έχει τύπο ημερομηνίας. Αλλάξτε την επιλογή τύπων τιμών σε κείμενο όταν αναγνωριστικά με αρχικά μηδενικά πρέπει να παραμείνουν ακριβώς όπως είναι γραμμένα.

Επικύρωση και επισκευή

Κάθε εργαλείο JSON επικυρώνει την είσοδό του με τον ίδιο τρόπο. Ένα μη έγκυρο αρχείο απορρίπτεται με τη γραμμή και τη στήλη του πρώτου λάθους, και ένα σύντομο απόσπασμα αυτής της γραμμής. Ο Μορφοποιητής JSON μπορεί επίσης να επισκευάσει τα λάθη που επικολλούν πιο συχνά οι άνθρωποι: σχόλια, τελικά κόμματα, συμβολοσειρές σε μονά εισαγωγικά, κλειδιά χωρίς εισαγωγικά, κεφαλαία True, False και None, NaN και Infinity, και περιφράξεις κώδικα γύρω από το κείμενο. Όταν εφαρμόζεται μια επισκευή, το αποτέλεσμα σας το λέει, ώστε τίποτα να μην αλλάζει σιωπηλά πίσω από την πλάτη σας.

Απόρρητο

Τα αρχεία που ανεβάζετε και το κείμενο που επικολλάτε επεξεργάζονται στους διακομιστές μας και διαγράφονται εντός 60 λεπτών· δείτε τον οδηγό απορρήτου για τις λεπτομέρειες. Τίποτα δεν αποθηκεύεται πέρα από αυτό το χρονικό διάστημα και τίποτα δεν χρησιμοποιείται για κανέναν άλλο σκοπό.