Mwongozo wa Zana za JSON: Badilisha Hati na Data kuwa JSON na Kurudi
Mwongozo huu unaelezea jinsi zana za JSON zinasoma na kuandika faili, muundo wa hati wa PDF na Word kwenda JSON, na zana gani kutumia kwa kila kazi.
Kwa Nini JSON
JSON ni muundo wa data unaosomwa kwa urahisi zaidi na programu, huduma za wavuti na mifano ya AI: vitu vyenye sehemu zenye majina, orodha, nambari, maandishi, true, false na null, hakuna kingine. Hati na lahakazi hazihifadhiwi kwa njia hiyo. Zana za familia hii zinaunganisha pengo hilo kwa mwelekeo wote wawili: zinabadilisha PDF, faili za Word, lahakazi, CSV, YAML na XML kuwa JSON, na zinabadilisha JSON kurudi kuwa faili ambazo watu wanasoma, kama PDF, Word, Excel, CSV na HTML.
Kila zana inafanya kazi kwenye seva zetu kupitia muunganisho salama na kufuta faili iliyopakiwa ndani ya dakika 60. Data ya maandishi inaweza kubandikwa moja kwa moja badala ya kupakiwa.
Zana Gani kwa Kazi Gani
| Unayo | Unayotaka | Tumia |
|---|---|---|
| Maandishi, majedwali na metadata kama data | PDF kwenda JSON | |
| Hati ya Word | Vichwa, aya, orodha na majedwali kama data | Word kwenda JSON |
| Kitabu cha kazi cha Excel | Rekodi, safu au safu wima | Excel kwenda JSON |
| Faili ya CSV au TSV | Mkusanyiko wa JSON wenye thamani zenye aina | CSV kwenda JSON |
| Faili ya YAML | Data ile ile kama JSON | YAML kwenda JSON |
| Faili ya XML | Vitu, sifa na mikusanyiko | XML kwenda JSON |
| JSON | PDF ya kusoma au kuchapisha | JSON kwenda PDF |
| JSON | Kitabu cha kazi cha Excel | JSON kwenda Excel |
| JSON | Faili ya CSV | JSON kwenda CSV |
| JSON | Hati ya Word inayoweza kuhaririwa | JSON kwenda Word |
| JSON | Ukurasa wa wavuti | JSON kwenda HTML |
| JSON | YAML kwa faili ya usanidi | JSON kwenda YAML |
| JSON | XML kwa mfumo mwingine | JSON kwenda XML |
| JSON iliyoharibika au isiyo sahihi | JSON safi na sahihi | Kipangilio cha JSON |
| Faili mbili za JSON | Orodha ya kilichobadilika | Linganisha JSON |
Markdown ina jozi yake: Markdown hadi JSON hutoa mti wa hati na JSON hadi Markdown hubadilisha JSON kuwa muhtasari au jedwali la Markdown.
Muundo wa Hati
PDF kwenda JSON na Word kwenda JSON huandika umbo moja, hivyo kipande kimoja cha msimbo hushughulikia vyote viwili. Kiwango cha juu daima kina sehemu hizi:
{
"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": []}
}
Sehemu zina maana ifuatayo:
- source: hati ilikuwa nini, ikiwa na metadata iliyobeba (kichwa, mwandishi, mada, maneno muhimu, tarehe za kuundwa na kubadilishwa, idadi ya kurasa). Faili za Word zinaongeza idadi ya maneno, majedwali na picha.
- pages: kipengele kimoja kwa kila ukurasa wa PDF, ukiwa na ukubwa wake kwa nukta, mzunguko wake, idadi ya maneno na maandishi yake. Faili za Word hazina kurasa, kwa sababu Word hupanga kurasa tu wakati wa kuchapisha.
- blocks: hati kwa mpangilio wa kusoma. Aina ni heading (na kiwango 1 hadi 6), paragraph (na jina la mtindo la hiari kutoka Word), list (yenye nambari au bila, vipengele vyenye kiwango cha kuingiliana), table (kichwa pamoja na safu zenye aina), code, blockquote, rule na image.
- tables: kwa PDF, kila jedwali lililotambuliwa pamoja na ukurasa lilipopatikana na, kwa jedwali linaloendelea, ukurasa linapoishia. Seli zinazofanana na nambari ni nambari.
- form_fields: zinapatikana tu wakati PDF ina fomu. Kila sehemu ina jina lake, aina (text, choice, button au signature) na thamani ya sasa.
- extraction: kibadilishaji kilichofanya kazi, hali uliyochagua, iwapo OCR ilihitajika, na onyo lolote, kama jedwali ambalo halikuweza kutambuliwa.
Toleo la 1 la muundo huu linaongeza sehemu tu; sehemu zilizopo zinaendelea kuwa na majina na maana yake.
Data ya Jedwali na Kuingiliana
CSV na Excel ni tambarare, JSON si hivyo. Wakati JSON inapoenda kwa CSV au Excel, vitu vilivyoingiliana husawazishwa kuwa majina ya safu wima yenye vitone na mikusanyiko kuwa yenye faharasa, hivyo rekodi ya agizo yenye kitu cha mteja na mkusanyiko wa bidhaa inakuwa safu wima kama customer.name, items[0].sku na items[1].sku. Wakati CSV au Excel inarudi kuwa JSON, vichwa vilivyoandikwa kwa njia hiyo hujengwa upya kuwa vitu na mikusanyiko iliyoingiliana. Kichwa chenye kitone cha kawaida, kama nambari ya toleo au ufupisho, huachwa jinsi kilivyo.
Thamani zina aina wakati zinapoingizwa: nambari zinakuwa nambari, true na false zinakuwa boolean, seli tupu inakuwa null, na kila kitu kingine kinabaki mfuatano wa maandishi. Tarehe zinazotoka Excel zinaandikwa kama mfuatano wa ISO 8601, kwa sababu JSON haina aina ya tarehe. Badilisha chaguo la aina za thamani kuwa maandishi wakati vitambulisho vyenye sufuri mwanzoni lazima vibaki kama vilivyoandikwa.
Uhakiki na Utengenezaji
Kila zana ya JSON inahakiki data yake inayoingizwa kwa njia moja. Faili isiyo sahihi inakataliwa ikiwa na mstari na safu ya kosa la kwanza, na dondoo fupi la mstari huo. Kipangilio cha JSON kinaweza pia kutengeneza makosa ambayo watu hubandika mara kwa mara: maelezo, koma za mwishoni, mfuatano wa alama za nukuu moja, funguo bila alama za nukuu, True, False na None zilizoandikwa kwa herufi kubwa, NaN na Infinity, na mipaka ya msimbo kuzunguka maandishi. Wakati utengenezaji ulifanyika, matokeo yanakuambia, hivyo hakuna kinachobadilika kimya kimya nyuma yako.
Faragha
Faili zilizopakiwa na maandishi yaliyobandikwa yanachakatwa kwenye seva zetu na kufutwa ndani ya dakika 60; angalia mwongozo wa faragha kwa maelezo zaidi. Hakuna kinachohifadhiwa zaidi ya muda huo na hakuna kinachotumika kwa kusudi lingine lolote.