Gusto kong kumuha ng nilalaman mula sa mga file patungo sa isang format na nababasa ng makina na maaari kong i-index at gamitan ng pagsusuri ng teksto.

Ang feature na ito ay kumukuha ng teksto at istruktura mula sa mga file patungo sa isang format na nababasa ng makina. Pinapagana nito ang pag-index at pagsusuri ng teksto sa pamamagitan ng paggawa sa mga unstructured na dokumento bilang pare-pareho at nasusuring data.

Ang feature na ito ay nagko-convert ng mga nilalaman ng file patungo sa mga output na nababasa ng makina upang ma-index at masuri ang mga ito gamit ang mga tool na nakabase sa teksto. Idinisenyo ito para sa mga workflow kung saan kailangang maging mahahanap at masusukat ang mga dokumento sa halip na manatiling mga opaque na binary file. Ang mga user ay nagbibigay ng mga file bilang input at tumatanggap ng nakuhang nilalaman sa isang structured na representasyon na angkop para sa storage at retrieval. Ang nakuhang output ay maaaring ipasok sa isang indexing pipeline upang suportahan ang mabilis na paghahanap at pag-filter. Kapag na-index na, ang parehong nilalaman ay maaaring gamitin para sa mga gawain sa pagsusuri ng teksto gaya ng pagkuha ng keyword, clustering, paggalugad ng paksa, at mga pangunahing paghahambing ng nilalaman. Pinapabuti nito ang kakayahang matuklasan sa pamamagitan ng paggawa sa impormasyon sa loob ng mga file na naa-access ng mga system ng paghahanap at analytics. Sinusuportahan din nito ang pagbuo ng mga dataset mula sa mga koleksyon ng dokumento nang walang manu-manong pag-copy-paste o pag-reformat. Ang mga karaniwang gamit ay kinabibilangan ng paggawa ng mga searchable na repository ng dokumento, paghahanda ng mga corpora para sa mga eksperimento sa NLP, at pagpapagana ng analytics sa mga ulat, manual, at iba pang malalaking set ng file. Ang pangunahing benepisyo ay mas mabilis at mas maaasahang pagsusuri sa pamamagitan ng pag-standardize ng nilalaman ng file sa isang pare-parehong anyo na nababasa ng makina.