將 PDF 內容擷取為 LlamaIndex JSON,用於 RAG/LLM 管線。
點選以選擇檔案 或將檔案拖曳至此處
一個或多個 PDF 檔案
您的檔案絕不會離開您的裝置。
輸出格式:
每個 PDF 將被提取為包含 LlamaIndex Document 物件數組的 JSON 文件,其中包含:
text - 每頁擷取的文字內容
metadata - 頁碼、標題和文件訊息
extra_info - RAG 系統的附加上下文
處理中...
點選或拖曳檔案至此處以開始
點選處理按鈕以開始
立即儲存處理後的檔案
它遵循 LlamaIndex 文檔架構:每頁一個文檔,包含該頁面的文字和元資料欄位。它是由 PyMuPDF 的 LlamaIndex 整合產生的,因此可以直接載入到 LlamaIndex 或任何接受帶有元資料的每頁文字的管道中。
PDF 轉文本 提供一個純文字流,PDF to Markdown 保留標題和結構以供閱讀。該工具逐頁拆分內容,並將其包裝在帶有元資料的結構化 JSON 中,這正是檢索管道進行分塊和引用來源所需的內容。
僅當他們已經有文字圖層時。掃描的影像會產生空或接近空的輸出,因此請執行它們 文字辨識 PDF 首先,然後提取。
是的。上傳多個文件,您將獲得 pdf-for-ai.zip,其中每個 PDF 包含一個 yourfile_llm.json;單一文件直接下載為 yourfile_llm.json。如果批次中的一個文件失敗,其餘文件仍然完整,並且摘要會告訴您失敗的數量。
不,沒有選擇;沒有選擇。每個頁面都會提取其全文和元資料。在您自己的管道中進行分塊,您可以在其中選擇適合您的嵌入模型的大小,並刪除不需要的頁面。
是的。如果檔案已加密,系統會在開始提取之前提示您輸入密碼,並從解密的副本中提取文字。
不會。儘管有這個名稱,但不會向人工智慧提供者或任何伺服器發送任何內容;提取在瀏覽器中使用編譯為 WebAssembly 的 PyMuPDF 運行。您隨後決定 JSON 的去向。
将其输入 RAG 管道,为聊天机器人构建知识库,对报告运行 LLM 分析,或将 PDF 集合转换为训练数据。由于内容通过元数据按页分割,因此答案可以指向它们来自的页面。