Extraer contenido PDF como JSON de LlamaIndex para pipelines RAG/LLM.
Haz clic para seleccionar un archivo o arrastra y suelta
Uno o más archivos PDF
Tus archivos nunca salen de tu dispositivo.
Formato de salida:
Cada PDF se extraerá como un archivo JSON que contiene una matriz de objetos de documento LlamaIndex con:
text - Contenido de texto extraído por página.
metadata - Número de página, encabezados e información del documento.
extra_info - Contexto adicional para los sistemas RAG
Procesando...
Haz clic o arrastra tu archivo aquí
Haz clic en el botón de procesar
Guarda tu archivo procesado al instante
Sigue el esquema del documento LlamaIndex: un documento por página con los campos de texto y metadatos de esa página. Se produce mediante la integración LlamaIndex de PyMuPDF, por lo que se puede cargar directamente en LlamaIndex o en cualquier canal que acepte texto por página con metadatos.
PDF a texto proporciona una secuencia de texto sin formato y PDF to Markdown mantiene los títulos y la estructura para la lectura. Esta herramienta divide el contenido página por página y lo envuelve en JSON estructurado con metadatos, que es lo que necesitan los canales de recuperación para fragmentar y citar fuentes.
Sólo si ya tienen una capa de texto. Las imágenes escaneadas producen resultados vacíos o casi vacíos, así que ejecútelas PDF con OCR primero y luego extraer.
Sí. Cargue varios archivos y obtendrá un pdf-for-ai.zip que contiene un yourfile_llm.json por PDF; un solo archivo se descarga directamente como yourfile_llm.json. Si un archivo del lote falla, el resto aún se completa y el resumen le indica cuántos fallaron.
No. No hay opciones; cada página se extrae con su texto completo y metadatos. Realice fragmentaciones en su propio canal, donde puede elegir tamaños que se ajusten a su modelo de incrustación y colocar allí las páginas que no necesita.
Sí. Si un archivo está cifrado, se le solicitará su contraseña antes de que comience la extracción y el texto se extraerá de la copia descifrada.
No. A pesar del nombre, no se envía nada a un proveedor de IA ni a ningún servidor; la extracción se ejecuta con PyMuPDF compilado en WebAssembly dentro de su navegador. Luego decides dónde va el JSON.
Introdúzcalo en un proceso RAG, cree una base de conocimientos para un chatbot, ejecute análisis LLM sobre informes o convierta una colección de PDF en datos de entrenamiento. Debido a que el contenido está dividido por página con metadatos, las respuestas pueden apuntar a la página de donde provienen.