【 创科广场】Adobe推内容撷取API 释放PDF更多内容

全球不少文件系统都是利用PDF文件交换，从文件撷取内容（Data Capturing），才能输入系统，往往也是不少系统整合最大挑战之一，尤其近年RPA（机械人流程自动化），自动处理报价表和帐单。

从PDF撷取内容，往往必须靠光学字元辨识（OCR）工具，扫描PDF文件并找出内容，甚至是表格内容，表格上不同位置的数据，OCR有不少限制，也未必可完全准确撷取文件内容和属性，有时要以不同工具，甚至靠人手核对。

市场上PDF文件可通过不同系统生成，例如是ERP系统，从Word或Excel和其他文件转存而成，甚至从影像扫描产生，部分系统只产生供人类阅读的PDF，从未预计最终要与机器沟通，以至PDF从个别系统生成后，结构并不容易供电脑辨认，如果辨认表格，就更加麻烦。

以编程生成动态数据

虽然RPA工具可通过人工智能，决定文件上某个位置数据；市场上领先工具ABBYY，亦可准确辨认不同PDF，但往往不能解决全部问题；开发人员动用多种工具，才取出PDF所有数据。

系统辨认PDF，往往要先搞清楚从那个系统产生，如果开发人员可以有更好的应用程式界面，就可以快速撷取内容、图片、位置，甚至位置和表格，市场上有不少云端的工具，以撷取PDF内容；例如是PDF.co（https://pdf.co/），并整合到不同工具或系统，从PDF提取内容已成为一门大行业。

Adobe是PDF的开发厂商，推出了Adobe PDF Extract API和Adobe Document Generation API两个应用程式界面，有助解决PDF文件内容交换难题，协助撷取更多PDF文件内容，以编程方式生成具动态数据的档案。

云端为基础API

PDF几乎成为可携化文件的统一标准，而以云端为基础API，可协助开发人员加速开发。Adobe已开发PDF文件30年，其Adobe电子档案服务、以云端为基础API和SDK，已经可让开发人员开发方案。

Adobe估算，每年约有2.5万亿个新创建PDF档案。Adobe PDF Extract API 乃建基于Liquid Mode，也是以云端为基础的API，同时分析来自扫描和原生PDF的结构，再提取文字、表格数据、图像等所有PDF元素，了解相对位置、跨栏和分页的阅读顺序。

据Adobe公布，PDF Extract API的优势，在于可提取所有的PDF元素，不少API仅限提取某一种类型元素。此外，许多供应商也有指定平台；Adobe所有API，包括PDF Extract API则可使用任何现代编程语言或者平台，并准确地提取数据以用于机器学习模型、分析、制作索引或储存，整合RPA和自然语言处理（Natural Language Processing，NLP）等下游流程自动化，重新发布适用于多个媒体的PDF内容。

而Adobe Document Generation API则可让开发人员快速设计自订Microsoft Word范本，以及生成具动态数据Word和PDF档。

Document Generation API还包括了与Adobe Sign作整合、开箱即用工具，随时可在档案中使用电子签名，以产生发票和报价等文件。Document Generation API还可与适用于Microsoft Power Automate的 Adobe PDF Tools连接器一起使用，Power Platform能自动化预备发票、协议等档案流程。