Forbered PDF til AI

Det følger LlamaIndex' dokumentskema: ét dokument pr. side med sidens tekst og metadatafelter. Det produceres af PyMuPDFs LlamaIndex-integration, så det kan indlæses direkte i LlamaIndex eller enhver pipeline, der accepterer tekst pr. side med metadata.

PDF til tekst giver én samlet tekststrøm, og PDF til Markdown bevarer overskrifter og struktur til læsning. Dette værktøj deler indholdet op side for side og pakker det ind i struktureret JSON med metadata, hvilket er det, retrieval-pipelines har brug for til chunking og kildehenvisninger.

Kun hvis de allerede har et tekstlag. Scannede billeder giver tomt eller næsten tomt output, så kør dem først gennem OCR PDF og udtræk derefter.

Ja. Upload flere filer, og du får pdf-for-ai.zip med én yourfile_llm.json pr. PDF. En enkelt fil downloades direkte som yourfile_llm.json. Hvis én fil i batchen fejler, bliver resten stadig færdige, og oversigten fortæller, hvor mange der fejlede.

Nej. Der er ingen indstillinger. Hver side udtrækkes med sin fulde tekst og metadata. Del i bidder i dit eget forløb, hvor du kan vælge størrelser, der passer til din embedding-model, og fjern de sider, du ikke har brug for, dér.

Ja. Hvis en fil er krypteret, bliver du bedt om dens adgangskode, før udtrækningen starter, og teksten hentes fra den dekrypterede kopi.

Nej. På trods af navnet sendes intet til en AI-udbyder eller nogen server. Udtrækningen kører med PyMuPDF kompileret til WebAssembly i din browser. Du bestemmer bagefter, hvor JSON-filen skal hen.

Send det ind i en RAG-pipeline, byg en vidensbase til en chatbot, kør LLM-analyse på rapporter, eller gør en samling PDF'er til træningsdata. Fordi indholdet er delt op pr. side med metadata, kan svar pege tilbage på den side, de kom fra.