Extraire le contenu PDF en JSON LlamaIndex pour les pipelines RAG/LLM.
Cliquez pour sélectionner un fichier ou glissez-déposez
Un ou plusieurs fichiers PDF
Vos fichiers restent sur votre appareil.
Format de sortie :
Chaque PDF sera extrait sous forme de fichier JSON contenant un tableau d'objets LlamaIndex Document avec :
text - Contenu texte extrait par page
metadata - Numéro de page, titres et informations sur le document
extra_info - Contexte supplémentaire pour les systèmes RAG
Traitement...
Cliquez ou glissez votre fichier ici
Cliquez sur le bouton de traitement
Enregistrez votre fichier traité instantanément
Il suit le schéma du document LlamaIndex : un document par page avec les champs de texte et de métadonnées de cette page. Il est produit par l'intégration LlamaIndex de PyMuPDF, il peut donc être chargé directement dans LlamaIndex ou dans tout pipeline acceptant du texte par page avec des métadonnées.
PDF en texte donne un flux de texte brut, et PDF to Markdown conserve les titres et la structure pour la lecture. Cet outil divise le contenu page par page et l'enveloppe dans un JSON structuré avec des métadonnées, ce dont les pipelines de récupération ont besoin pour segmenter et citer les sources.
Seulement s'ils disposent déjà d'un calque de texte. Les images numérisées produisent une sortie vide ou presque vide, alors parcourez-les PDF ROC d'abord, puis extrayez.
Oui. Téléchargez plusieurs fichiers et vous obtenez pdf-for-ai.zip contenant un yourfile_llm.json par PDF ; un seul fichier est téléchargé directement sous le nom yourfile_llm.json. Si un fichier du lot échoue, le reste est toujours terminé et le résumé vous indique combien ont échoué.
Non. Il n’y a aucune option ; chaque page est extraite avec son texte intégral et ses métadonnées. Effectuez une segmentation dans votre propre pipeline, où vous pouvez choisir des tailles qui correspondent à votre modèle d'intégration et y déposer les pages dont vous n'avez pas besoin.
Oui. Si un fichier est crypté, vous êtes invité à saisir son mot de passe avant le début de l'extraction et le texte est extrait de la copie déchiffrée.
Non. Malgré son nom, rien n’est envoyé à un fournisseur d’IA ou à un serveur ; l'extraction s'exécute avec PyMuPDF compilé sur WebAssembly dans votre navigateur. Vous décidez ensuite où va le JSON.
Introduisez-le dans un pipeline RAG, créez une base de connaissances pour un chatbot, exécutez une analyse LLM sur des rapports ou transformez une collection PDF en données de formation. Étant donné que le contenu est divisé par page avec des métadonnées, les réponses peuvent renvoyer à la page d'où elles proviennent.