Preparar PDF para IA

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.

Cómo funciona

1

Cargar archivo

Haz clic o arrastra tu archivo aquí

2

Proceso

Haz clic en el botón de procesar

3

Descargar

Guarda tu archivo procesado al instante

Herramientas PDF relacionadas

Fusionar PDF

Herramienta gratuita para fusionar PDF en línea

Comprimir PDF

Herramienta gratuita para comprimir PDF en línea

Dividir PDF

Herramienta gratuita para dividir PDF en línea

Editar PDF

Herramienta gratuita de edición de PDF en línea

Girar PDF

Herramienta gratuita en línea para rotar PDF

Preguntas frecuentes

¿Qué contiene la salida JSON?

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.

¿En qué se diferencia esto de PDF a Texto o PDF a Markdown?

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.

¿Funciona en archivos PDF escaneados?

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.

¿Puedo procesar un lote completo de archivos PDF?

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.

¿Puedo elegir qué páginas extraer o controlar el tamaño del fragmento?

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.

¿Puedo preparar un PDF protegido con contraseña para herramientas de IA?

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.

¿Mi documento se envía a un servicio de IA?

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.

¿Qué puedo hacer con el archivo 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.