PDF 转 YAML

将 PDF 文本项及其页面位置导出为 YAML 数据。

选择 PDF 文件

将文件拖到此处，或使用下方按钮选择文件。

上限为 25 MB 总计 · 文件保留在您的设备上

目录章节: 10

PDF 转 YAML 能导出哪些内容？

创建包含所选 PDF 页面提取文本项的 YAML 文件。结果包含源页面引用、页面几何信息和文本位置变换，适合在文本编辑器中检查，或供独立处理流程使用。

导出不会将文档解释为应用配置。它无法推断标题层级、提取图片、识别发票字段或根据外观重建表格。文本遵循 PDF 阅读器的提取顺序，这可能与阅读顺序不同。

PDF 转 YAML 功能

带引号的文本标量

将 yes 等单词、日期、标点和含冒号的短语保留为字符串值。提取文本不会成为 YAML 指令或自定义对象标签。

原始页面引用

所选页面保留源页码。审核人员无需计算输出数组中的位置，即可返回对应 PDF 页面。

文本几何信息

将文本变换、方向和页面尺寸与文字一同保存。后续流程可以检查位置，而不必假定结果已经是整理好的表格。

明确的提取范围

输出明确声明未进行语义重建或 OCR，便于其他程序将结果作为提取依据处理。

如何将 PDF 文本转换为 YAML？

  1. 选择一个包含可选择文本的未加密 PDF。
  2. 输入较小的页面范围；如果整份文档未超过选择限制，也可将“页面”留空。
  3. 开始转换并保存 .yaml 文件。
  4. 在支持 YAML 的编辑器中打开输出，检查页面和文本项条目。
  5. 将重要字符串及其位置用于其他流程前，请先与原始 PDF 比较。

选择 PDF

选择包含需要检查文本的 PDF。

点击截图可放大查看。
PDF 转 YAML：选择示例 PDF。

选择提取范围

先从少量源页面开始。

点击截图可放大查看。
PDF 转 YAML：选择要进行结构化导出的页面。

下载 YAML

保存输出并检查带引号的文本值。

点击截图可放大查看。
PDF 转 YAML：下载已完成的结构化数据。

截图展示了使用不含敏感信息的示例文件操作本工具箱的过程。您的文件名、页数和设置可能不同。

为什么将 PDF 文本导出为 YAML？

当团队希望在无需独立查看器的情况下获取结构化页面信息时，YAML 可方便文本审核。请将导出视为文档数据，并在导入前进行自己的验证。PDF 账单中的文字仅仅被存入 YAML 文件，并不意味着它应成为可信的配置。

哪些人可以使用 YAML 提取？

自动化开发者

为已知文档布局设计提取规则之前，先检查文本与页面引用。

研究团队

在核对选定引文及页面位置时，保留可读的中间记录。

技术审核人员

使用可处理结构化文本文件的工具，比较提取文档数据的变化。

设置与输出检查

设置预期结果
输入文件单个 PDF，最大 25 MiB，源文档最多 500 页。
所选页面按输入顺序最多选择 200 页；重复的页面引用只出现一次。
提取上限每页 20,000 项，每次任务 100,000 项及 200 万个文本字符。
YAML 输出声明为 YAML 1.2，使用带引号的字符串值；下载文件最大 64 MiB。

将打印值保留为文本

表单可能在标签旁印有 yes 一词，以及带前导零的数字。请在 YAML 中检查这些提取字符串，并与源文件比较。导出将文本保留为带引号的值，让您自己的应用决定某个值是标签、标识符、日期还是其他内容。

PDF 转 YAML 问题排查

情况检查事项
文本包含 Unicode 转义序列YAML 解析器可以从带引号的转义序列还原原始字符。这也能避免控制字符破坏文件结构。
输出不是可直接导入的配置这是提取记录。请单独映射并验证应用所需的字段。
选择内容过于密集缩小页面范围。密集页面可能先达到文本项或字符上限，再达到页数上限。

常见问题

此工具会读取或执行 YAML 输入吗？

不会。它读取 PDF 并创建 YAML 输出，不会加载上传的 YAML、执行标签或应用配置设置。

会识别扫描页面中的文字吗？

不会自动执行 OCR。请先对纯图片 PDF 进行 OCR，然后检查识别文本，再进行导出。

提取的文本项已经按阅读顺序排列了吗？

不一定。多栏页面和定位标签可能产生不同的提取顺序。请检查坐标并对照原始页面。

相关工具

PDF 转 JSON, PDF 转 XML, PDF 文字识别.