OmniDoc Dokumentuen erauzketa

OmniDoc Dokumentuen erauzketa / 2026ko gida

Nola aukeratu doako dokumentu-erauzketa-tresna bat 2026an

Dokumentu-erauzketak PDF, eskaneatutako dokumentu bat edo Office fitxategi bat bihurtzen du eduki egituratu batean: izenburuak, paragrafoak, taulak eta irudiak irakurketa-hurrenkeran, Markdown eta JSON bezala. Doako tresnak desberdinak dira egitura horren zati handi bat mantentzen duten ala ez. Egiaztatu zortzi puntu hauek zeure fitxategietako batekin, irteeraren gainean ezer eraiki aurretik.

Saiatu zure fitxategiarekin

2026ko azaroan eguneratua

Irteeran egiaztatu beharreko 8 gauza

  1. Goiburuen mailak

    Kapituluak eta atalak goiburuen mailak bezala agertu behar dira (#, ## in Markdown), ez lerro lodiko moduan, dokumentuaren eskema mantendu dadin.

  2. Irakurtzeko ordena eta zutabeak

    Bi edo hiru zutabeko orrialdeetan, ez dira zutabe desberdinetako lerroak nahastu behar; goiburuek, orri-oinak eta orrialde-zenbakiak ez dira paragrafo baten erdian agertu behar.

  3. Taulak

    Taulak euren errenkadak eta zutabeak mantendu behar dituzte, goiburu fusionatuak barne, zenbakien segida bihurtu ordez.

  4. Eskaneatzeak eta argazkiak

    Eskaneatze batek ez du testu-geruzarik. Tresnak testua (OCR) eta ondoren diseinua ezagutu behar ditu; egiaztatu zenbakiak jatorrizkoarekin bat datozela.

  5. Irudiak eta formulak

    Irudiak testuan beren posizioak markatuta dauden fitxategi gisa esportatu behar dira; formulak aldatu gabe atera behar dira.

  6. Irteera-formatuak

    Markdown pertsonak eta AI laguntzaileak egokitzen zaizkie; JSON paragrafoak eta taulak irakurtzeko ordenan mantentzen dituena programak, datu-baseak eta berreskurapena egokitzen zaizkie (RAG).

  7. Fitxategi-motak eta mugak

    Egiaztatu fitxategi bakoitzeko orri-kopurua, hileko mugak eta dituzun formatuak: PDF, eskaneatutako orriak, Word, PowerPoint, Excel, EPUB, HTML.

  8. Pribatutasuna

    Ezagutu nork ikus dezakeen zure fitxategia eta konturik behar duzun ala ez. Ez igo dokumentu konfidentzialak esaten ez duen gune batera.

OmniDoc doako erauzketak puntu horietan egiten duenaren berri

OmniDoc doako dokumentu-erauzketa web-orri bat da; OmniDoc doako kontu batekin saioa hasi behar duzu.

Egitura eta irakurketa-hurrenkerako ordena

Kapituluak, paragrafoak eta zerrendak jatorrizko hierarkia mantentzen dute; testuaren bi edo hiru zutabeak irakurtzeko ordenan elkartzen dira.

Taulak eta irudiak

Taulak Markdown taula gisa eta JSONeko errenkada eta zutabe gisa ateratzen dira; irudiak images/ karpetan gordetzen dira, beren posizioak markatuta.

Deskargatzen duzuna

ZIP fitxategi bat document.md-rekin (testu osoa Markdown gisa), document.json-ekin (datu egituratuak irakurtzeko ordenan), irudiekin eta fitxategien zerrendarekin.

Mugak eta pribatutasuna

Gehienez 501 orrialde PDF bakoitzeko eta hileko mugarik gabe; doako erauzketak ilara batean egoten dira. Zuk bakarrik ikus ditzakezu igotzen dituzun fitxategiak eta haien emaitzak.

Zein bide erabili fitxategi bakoitzeko

Zure fitxategiaZer erabili
Ikerketa-artikulua (PDF, bi zutabe)Doako erauzketa: Markdown irakurtzeko ordenan goiburuen maila dutela; egiaztatu formula konplexuak jatorrizkoarekin.
Eskaneatutako kontratua edo orrialde baten argazkiaDoako erauzketa testuaren ezagutza dutela (OCR); egiaztatu zenbakiak eta taulak jatorrizkoarekin.
Taulaz betetako txostenaDoako erauzketa: Markdown taulak, eta errenkadak eta zutabeak JSONean, kalkulu-orri edo script baterako prest.
Word, PowerPoint, Excel, EPUB edo HTMLDoako erauzketak dokumentuaren egitura irakurtzen du zuzenean; ez da testuaren ezagutzarik behar.
Ezagutza-base baterako edo RAGrako dokumentuakErabili document.json (paragrafoak eta taulak irakurtzeko ordenan) berreskuratzeko, eta document.md AI laguntzaile batentzat.
.doc, .ppt eta .xls fitxategi zaharrakGorde lehenik .docx, .pptx edo .xlsx gisa, eta igo ondoren.

Galderak

Badago doako tresna bat PDF Markdown eta JSON bihurtzeko 2026an?

Bai. OmniDoc doako dokumentu-ateratzeak PDF, eskaneatutako dokumentu bat edo Office fitxategi bat document.md, document.json, irudiak eta fitxategien zerrenda dituen ZIP batean bihurtzen du. Gehienez 501 orrialde PDF bakoitzeko; saioa hasi OmniDoc doako kontu batekin.

Zertan desberdintzen da erauzketa egituratua testua kopiatzearengandik?

Testu arrunta ematen du kopiatzeak. Erauzketak izenburuak, paragrafoak, taulak eta irudiak mantentzen ditu, baita horiek elkarrekin nola erlazionatzen diren ere, programa batek erabil dezakeen datu egituratu gisa.

Gai da PDF batetik taulak ateratzeko?

Bai. Taulak Markdown taula gisa eta JSONean errenkada eta zutabetez ateratzen dira. Ohiko goiburuko batuketak ezagutzen dira; egiaztatu oso taula konplexuak jatorrizkoarekin.

Eskaneatutako PDFak eta argazkiak ondo funtzionatzen du?

Bai. Eskaneatutako dokumentuak eta irudiak lehenik testu-aurkibidea egiten dute, eta gero haien diseinuaren arabera antolatzen dira. Egiaztatu zenbakiak eta taulak jatorrizkoarekin; eskuz idatzitako testuen kasuan, emaitzak idazketaren araberakoak izango dira.

Erabili dezaket emaitza RAG edo AI laguntzaile batentzat?

Bai. document.md zuzenean AI laguntzaile batean itsats daiteke; document.json-ek paragrafoen eta taulen egitura mantentzen du eta berreskuratzeko aproposa da (RAG).