PDFからJSON

cpdfが読み取るPDFのオブジェクト構造のすべてです。トレーラー、カタログ、ページツリー、すべての辞書、そして描画とテキストのオペレーターのリストに解析された各ページのコンテンツストリームが含まれます。要約ではなく、ファイルの完全なダンプです。

たいていは向いていません。ここでのテキストは、描画された順にコンテンツストリームのオペレーターに散らばっており、フォントや位置の情報はありますが、段落はありません。構造化された形式で読みやすいページのテキストが必要な場合はAI向けにPDFを準備を、プレーンテキストにはPDFをテキストに変換をお使いください。

BentoPDFではできません。出力はcpdf独自のJSON形式に従っており、cpdfのコマンドラインツールならPDFに読み戻せますが、ブラウザのツールは一方向のみです。

コンテンツストリームはオペレーターの配列に展開され、画像などのバイナリのストリームデータはテキストとしてエンコードされ、すべてのオブジェクトがキーとともに書き出されるため、元のファイルの数倍のサイズのJSONになるのは普通のことです。大きなPDFや画像の多いPDFでは、非常に大きなファイルになります。

好きなだけ選択でき、それぞれがバックグラウンドのワーカーで変換され、結果は元のファイル名を付けたPDFごとに1つの .json を含む pdfs-to-json.zip にまとめられます。PDFが1つだけの場合もZIPで届きます。

変換を始める前にパスワードの入力を求められ、復号したコピーがシリアライズされます。パスワードがないと、オブジェクトの構造は読み取れません。

ジェネレーターのデバッグ時にPDFの内部を調べる、ページのコンテンツストリームの中身を確認する、2つのバージョンを構造的に比較する、オブジェクトツリーをスクリプトに渡す、といった用途です。文書のプロパティだけなら、メタデータを表示のほうが手早く確認できます。

いいえ。cpdfはブラウザ内のWebワーカーでWebAssemblyとして動作し、JSONはダウンロード前にお使いのデバイス上で書き出されてZIPにまとめられます。