ტექსტის მიხედვით გაყოფა

როდესაც PDF ერთ ფაილში გაერთიანებული მრავალი დოკუმენტის სერიული ექსპორტია — ასობით ინვოისი, ერთი დღის დასკანერებული ფორმები, ან ავტომატურად გენერირებული ანგარიში, სადაც თითოეული სექცია ცნობილი სათაურით იწყება — ფიქსირებული საკვანძო სიტყვით გაყოფა გვერდების დიაპაზონების ხელით განსაზღვრაზე გაცილებით სწრაფია. ტექსტის მიხედვით გაყოფა სკანირებს თითოეულ გვერდს თქვენს მიერ მითითებული ფრაზის საძიებლად და ყოველ გამოჩენაზე ახალ გამომავალ ფაილს ქმნის, ეფექტურად იყენებს რა დოკუმენტის კონტენტს, როგორც გაყოფის რუქას. ეს ის ხელსაწყოა, რომელიც გადასახდელების ავტომატიზაციას, ფორმების დამუშავების მილსადენებს და დოკუმენტების მასობრივი გავრცელების სამუშაო ნაკადებს ასრულებს. სააღრიცხვო სისტემა 500 ინვოისს ერთ PDF-ად ექსპორტავს — ტექსტის მიხედვით გაყოფა თითოეულ გამყოფ გვერდზე "INVOICE NUMBER"-ს პოულობს და 500 ინდივიდუალურ ინვოისის ფაილს ქმნის. სამედიცინო ჩანაწერების სისტემა პაციენტის წერილებს ჯგუფავს — ხელსაწყო "Dear Patient"-ზე ყოფს, რათა თითოეული პაციენტისთვის ერთი წერილი შეიქმნას. სამეურნეო კომპანია ყოველდღიურ მანიფესტებს იღებს, სადაც თითოეული გადაზიდვა "SHIPMENT ID" შემცველი შტრიხკოდის ეტიკეტით იწყება — ხელსაწყო თითოეულ გადაზიდვას საკუთარ ფაილად გამოყოფს შემდგომი დამუშავებისთვის. შეგიძლიათ აირჩიოთ, საკვანძო სიტყვის გვერდი გამომავალ ფაილში ჩაირთოს თუ ამოღებული იყოს — სასარგებლოა გამყოფი გვერდებისთვის, რომლებსაც საკუთარი მნიშვნელოვანი კონტენტი არ გააჩნია. რეგისტრის მიმართ შეუმჩნეველი დამთხვევა უზრუნველყოფს, რომ ავტომატურად გენერირებულ დოკუმენტებში კაპიტალიზაციის ვარიაციები არ გაიწუხებს. რეგულარული გამოხატულებების შაბლონები მხარდაჭერილია გაფართოებული გამოყენების შემთხვევებისთვის, სადაც გაყოფის მარკერი ცვლადია, მაგალითად Invoice #\d+ ნებისმიერი ინვოისის ნომრის შესაბამისი. ტექსტის მიხედვით გაყოფა სანიშნეებით გაყოფას ავსებს იმ დოკუმენტებისთვის, რომლებსაც ფორმალური სტრუქტურა არ გააჩნია, მაგრამ თანმიმდევრული ტექსტური მარკერები აქვს. თუ თქვენს დოკუმენტებს ორივე გააჩნია, სანიშნეები ჩვეულებრივ უფრო სანდოა, ვინაიდან სტრუქტურული და კი არა კონტენტზე დაფუძნებულია. მაქსიმალური მოქნილობისთვის ორი მიდგომა შეუთავსეთ: სანიშნეებით გაყოფა თავების დონეზე, შემდეგ ტექსტის მიხედვით გაყოფა თავებში ინდივიდუალური ჩანაწერების გამოსაყოფად. ყველა ფაილის დამუშავება dokk.ai-ის უსაფრთხო ინფრასტრუქტურაზე ხდება. ფაილები 60 წუთში იშლება და არასოდეს გამოიყენება მანქანური სწავლებისთვის ან მესამე მხარეებთან გაზიარებისთვის. გამომავალი ფაილები სტანდარტული PDF-ებია, რომლებიც ყველა მკითხველთან, პრინტერთან და დოკუმენტების მართვის სისტემასთან თავსებადია.