Extrair conteúdo PDF como JSON LlamaIndex para pipelines RAG/LLM.
Clique para selecionar um arquivo ou arraste e solte
Um ou mais arquivos PDF
Seus arquivos nunca saem do seu dispositivo.
Formato de saída:
Cada PDF será extraído como um arquivo JSON contendo uma matriz de objetos LlamaIndex Document com:
text - Conteúdo de texto extraído por página
metadata - Número da página, títulos e informações do documento
extra_info - Contexto adicional para sistemas RAG
Processando...
Clique ou arraste seu arquivo aqui
Clique no botão de processamento
Salve seu arquivo processado instantaneamente
Ele segue o esquema do documento LlamaIndex: um documento por página com os campos de texto e metadados dessa página. É produzido pela integração LlamaIndex do PyMuPDF, portanto, pode ser carregado diretamente no LlamaIndex ou em qualquer pipeline que aceite texto por página com metadados.
PDF para texto fornece um fluxo de texto simples e o PDF to Markdown mantém os títulos e a estrutura para leitura. Essa ferramenta divide o conteúdo página por página e o envolve em JSON estruturado com metadados, que é o que os pipelines de recuperação precisam para agrupar e citar fontes.
Somente se eles já tiverem uma camada de texto. As imagens digitalizadas produzem resultados vazios ou quase vazios, portanto, execute-as OCR PDF primeiro e depois extraia.
Sim. Faça upload de vários arquivos e você obterá pdf-for-ai.zip contendo um yourfile_llm.json por PDF; um único arquivo é baixado diretamente como yourfile_llm.json. Se um arquivo do lote falhar, o restante ainda será concluído e o resumo informará quantos falharam.
Não. Não há opções; cada página é extraída com seu texto completo e metadados. Faça a divisão em seu próprio pipeline, onde você pode escolher tamanhos que se ajustem ao seu modelo de incorporação e descartar páginas desnecessárias.
Sim. Se um arquivo estiver criptografado, sua senha será solicitada antes do início da extração e o texto será extraído da cópia descriptografada.
Não. Apesar do nome, nada é enviado para um provedor de IA ou qualquer servidor; a extração é executada com PyMuPDF compilado para WebAssembly dentro do seu navegador. Você decide depois para onde vai o JSON.
Alimente-o em um pipeline RAG, crie uma base de conhecimento para um chatbot, execute análises LLM em relatórios ou transforme uma coleção de PDF em dados de treinamento. Como o conteúdo é dividido por página com metadados, as respostas podem apontar para a página de onde vieram.