Préparer le PDF pour l'IA

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.

Comment ça marche

1

Télécharger le fichier

Cliquez ou glissez votre fichier ici

2

Processus

Cliquez sur le bouton de traitement

3

Télécharger

Enregistrez votre fichier traité instantanément

Outils PDF associés

Fusionner un PDF

Outil de fusion PDF en ligne gratuit

Compresser un PDF

Outil de compression PDF en ligne gratuit

Fractionner un PDF

Outil de fractionnement de PDF en ligne gratuit

Modifier le PDF

Outil d'édition de PDF en ligne gratuit

Faire pivoter le PDF

Outil de rotation PDF en ligne gratuit

Questions fréquemment posées

Que contient la sortie JSON ?

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.

En quoi est-ce différent du PDF au texte ou du PDF au Markdown ?

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.

Est-ce que ça marche sur les PDF numérisés ?

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.

Puis-je traiter un lot entier de PDF ?

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.

Puis-je choisir les pages à extraire ou contrôler la taille des fragments ?

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.

Puis-je préparer un PDF protégé par mot de passe pour les outils d'IA ?

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.

Mon document est-il envoyé à un service AI ?

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.

Que puis-je faire avec le fichier 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.