マシンリーダブルな形式に変換するツール/サービス各種

HTML

import.io magicという、一部自動的にデータを抽出する機能があったのだが、見えなくなってしまった。 www.import.io

dexi,io dexi.io マニュアル

Diffbot www.diffbot.com URLと、ページの構造の種類(記事リスト、商品リスト、ビデオ)を指定すると構造を分析してJSONを出力

PromptCloud www.promptcloud.com major ecommerce, travel and job portals

ウェブ系は他にもいくつもあるが、ツール系はの場合は、だいたいマニュアルで人間がスクレイピングする箇所を指定しなければならず、近年進歩がないように思う。

PDF tabula PDF中にの表データを抽出しCSV形式に変換するOSS(Java) github.com

Camelot PDF中にの表データを抽出しCSV形式に変換するOSS(Python) tabulaとの違いは、マニュアルで抽出条件を指定することが指定可能な点 camelot-py.readthedocs.io

画像 Amazon Textract 文書となる画像に含まれている表形式の文書からデータを抽出するサービスいつ頃使えるんだろう? aws.amazon.com

ELIS インボイスのような書類をデータ化するサービス。サンプルの書類と、抽出されたデータの項目名が異なっているところに注目した(自動的にマッピングが行われているよう)。 rossum.ai

happyou.infoのブログ