PDF-Inhalte als LlamaIndex JSON für RAG/LLM-Pipelines extrahieren.
Klick hier, um eine Datei auszuwählen oder per Drag & Drop reinziehen
Eine oder mehrere PDF-Dateien
Deine Dateien verlassen nie dein Gerät.
Ausgabeformat:
Jede PDF-Datei wird als JSON-Datei extrahiert, die ein Array von LlamaIndex-Dokumentobjekten enthält mit:
text - Extrahierter Textinhalt pro Seite
metadata - Seitenzahl, Überschriften und Dokumentinformationen
extra_info - Zusätzlicher Kontext für RAG-Systeme
Verarbeitung...
Klicken oder Datei hierher ziehen
Klicken Sie auf die Verarbeitungsschaltfläche
Speichern Sie Ihre verarbeitete Datei sofort
Kostenloses Online-Tool zum Zusammenführen von PDF-Dateien
Kostenloses Online-Tool zum Komprimieren von PDF-Dateien
Kostenloses Online-Tool zum Teilen von PDFs
Kostenloses Online-Tool zum Bearbeiten von PDF-Dateien
Kostenloses Online-Tool zum Drehen von PDFs
Es folgt dem LlamaIndex-Dokumentschema: ein Dokument pro Seite mit den Text- und Metadatenfeldern dieser Seite. Es wird durch die LlamaIndex-Integration von PyMuPDF erstellt und kann daher direkt in LlamaIndex oder jede Pipeline geladen werden, die seitenspezifischen Text mit Metadaten akzeptiert.
PDF zu Text stellt einen reinen Textstrom bereit und PDF to Markdown behält Überschriften und Struktur zum Lesen bei. Dieses Tool teilt den Inhalt Seite für Seite auf und verpackt ihn in strukturiertes JSON mit Metadaten, die Abrufpipelines zum Aufteilen und Zitieren von Quellen benötigen.
Nur wenn sie bereits über eine Textebene verfügen. Gescannte Bilder erzeugen eine leere oder nahezu leere Ausgabe, also lassen Sie sie noch einmal durchgehen OCR-PDF Zuerst und dann extrahieren.
Ja. Laden Sie mehrere Dateien hoch und Sie erhalten pdf-for-ai.zip mit einer yourfile_llm.json pro PDF; Eine einzelne Datei wird direkt als yourfile_llm.json heruntergeladen. Wenn eine Datei im Stapel fehlschlägt, ist der Rest noch vollständig und die Zusammenfassung gibt an, wie viele fehlgeschlagen sind.
Nein. Es gibt keine Optionen. Jede Seite wird mit ihrem vollständigen Text und ihren Metadaten extrahiert. Führen Sie das Chunking in Ihrer eigenen Pipeline durch, wo Sie Größen auswählen können, die zu Ihrem Einbettungsmodell passen, und nicht benötigte Seiten dort ablegen können.
Ja. Wenn eine Datei verschlüsselt ist, werden Sie vor Beginn der Extraktion zur Eingabe des Kennworts aufgefordert und der Text wird aus der entschlüsselten Kopie entnommen.
Nein. Trotz des Namens wird nichts an einen KI-Anbieter oder einen Server gesendet; Die Extraktion wird mit PyMuPDF ausgeführt, das in Ihrem Browser zu WebAssembly kompiliert wurde. Sie entscheiden anschließend, wohin der JSON geht.
Geben Sie es an eine RAG-Pipeline weiter, bauen Sie eine Wissensdatenbank für einen Chatbot auf, führen Sie eine LLM-Analyse über Berichte durch oder wandeln Sie eine PDF-Sammlung in Trainingsdaten um. Da der Inhalt pro Seite mit Metadaten aufgeteilt ist, können Antworten auf die Seite verweisen, von der sie stammen.