将 PDF 内容提取为 LlamaIndex JSON,用于 RAG/LLM 管道。
点击选择文件 或将文件拖放到此处
一个或多个 PDF 文件
您的文件从未离开您的设备。
输出格式:
每个 PDF 将被提取为包含 LlamaIndex Document 对象数组的 JSON 文件,其中包含:
text - 每页提取的文本内容
metadata - 页码、标题和文档信息
extra_info - RAG 系统的附加上下文
处理中...
点击或拖放您的文件到此处
点击处理按钮开始
立即保存处理后的文件
它遵循 LlamaIndex 文档架构:每页一个文档,包含该页面的文本和元数据字段。它是由 PyMuPDF 的 LlamaIndex 集成生成的,因此可以直接加载到 LlamaIndex 或任何接受带有元数据的每页文本的管道中。
PDF 转文本 提供一个纯文本流,PDF to Markdown 保留标题和结构以供阅读。该工具逐页拆分内容,并将其包装在带有元数据的结构化 JSON 中,这正是检索管道进行分块和引用源所需的内容。
仅当他们已经有文本层时。扫描的图像会产生空或接近空的输出,因此请运行它们 文字识别 PDF 首先,然后提取。
是的。上传多个文件,您将获得 pdf-for-ai.zip,其中每个 PDF 包含一个 yourfile_llm.json;单个文件直接下载为 yourfile_llm.json。如果批次中的一个文件失败,其余文件仍然完整,并且摘要会告诉您失败的数量。
不,没有选择;没有选择。每个页面都会提取其全文和元数据。在您自己的管道中进行分块,您可以在其中选择适合您的嵌入模型的大小,并删除不需要的页面。
是的。如果文件已加密,系统会在开始提取之前提示您输入密码,并从解密的副本中提取文本。
不会。尽管有这个名称,但不会向人工智能提供商或任何服务器发送任何内容;提取在浏览器中使用编译为 WebAssembly 的 PyMuPDF 运行。您随后决定 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。