RAG/LLMパイプライン向けにPDFコンテンツをLlamaIndex JSON形式で抽出する。
クリックしてファイルを選択します またはドラッグ&ドロップ
1つ以上のPDFファイル
ファイルがデバイスの外に出ることはありません。
出力形式:
各 PDF は、次のような LlamaIndex Document オブジェクトの配列を含む JSON ファイルとして抽出されます。
text - ページごとに抽出されたテキスト コンテンツ
metadata - ページ番号、見出し、文書情報
extra_info - RAG システムの追加コンテキスト
処理中...
ファイルをクリックまたはドラッグ&ドロップして始めます
プロセスボタンをクリックしてスタートします
処理したファイルをすぐに保存します
これは、LlamaIndex ドキュメント スキーマに従います。つまり、ページごとに 1 つのドキュメントがあり、そのページのテキスト フィールドとメタデータ フィールドが含まれます。これは PyMuPDF の LlamaIndex 統合によって生成されるため、LlamaIndex またはメタデータを含むページごとのテキストを受け入れるパイプラインに直接読み込むことができます。
PDFからテキストへ は 1 つのプレーン テキスト ストリームを提供し、PDF を Markdown に変換すると、読みやすいように見出しと構造が維持されます。このツールは、コンテンツをページごとに分割し、メタデータを含む構造化された JSON でラップします。これは、ソースのチャンク化と引用に検索パイプラインが必要とするものです。
すでにテキストレイヤーがある場合のみ。スキャンされた画像は空または空に近い出力を生成するため、実行してください。 OCR PDF まず抽出してから。
はい。複数のファイルをアップロードすると、PDF ごとに 1 つの yourfile_llm.json を含む pdf-for-ai.zip が得られます。単一のファイルが yourfile_llm.json として直接ダウンロードされます。バッチ内の 1 つのファイルが失敗した場合でも、残りのファイルは完了し、失敗したファイルの数が概要に表示されます。
いいえ。オプションはありません。すべてのページがそのフルテキストとメタデータとともに抽出されます。独自のパイプラインでチャンク化を行い、埋め込みモデルに適合するサイズを選択し、そこに不要なページをドロップできます。
はい。ファイルが暗号化されている場合は、抽出を開始する前にパスワードの入力を求められ、復号化されたコピーからテキストが抽出されます。
いいえ、その名前にもかかわらず、AI プロバイダーやサーバーには何も送信されません。抽出は、ブラウザ内で WebAssembly にコンパイルされた PyMuPDF を使用して実行されます。後で JSON をどこに送信するかを決定します。
それを RAG パイプラインにフィードし、チャットボットのナレッジ ベースを構築し、レポートに対して LLM 分析を実行し、PDF コレクションをトレーニング データに変換します。コンテンツはメタデータを使用してページごとに分割されているため、回答は元のページを参照できます。