Préparer le PDF pour l'IA

Il suit le schéma de document LlamaIndex : un document par page avec le texte de la page et des champs de métadonnées. Il est produit par l’intégration LlamaIndex de PyMuPDF, et peut donc être chargé directement dans LlamaIndex ou dans tout pipeline acceptant du texte par page avec métadonnées.

PDF en texte produit un flux de texte brut, et PDF en Markdown conserve les titres et la structure pour la lecture. Cet outil découpe le contenu page par page et l’encapsule dans un JSON structuré avec des métadonnées, ce dont les pipelines de recherche ont besoin pour le découpage en blocs et la citation des sources.

Seulement s’ils contiennent déjà une couche de texte. Les images numérisées produisent un résultat vide ou presque, passez-les donc d’abord par OCR PDF, puis extrayez.

Oui. Importez plusieurs fichiers et vous obtenez pdf-for-ai.zip contenant un fichier votrefichier_llm.json par PDF ; un fichier unique est téléchargé directement sous la forme votrefichier_llm.json. Si un fichier du lot échoue, les autres sont tout de même traités et le résumé vous indique combien ont échoué.

Non. Il n’y a aucune option ; chaque page est extraite avec tout son texte et ses métadonnées. Faites le découpage en segments dans votre propre pipeline, où vous pouvez choisir des tailles adaptées à votre modèle d’embedding, et écartez-y les pages inutiles.

Oui. Si un fichier est chiffré, son mot de passe vous est demandé avant le début de l’extraction, et le texte est extrait de la copie déchiffrée.

Non. Malgré le nom, rien n’est envoyé à un fournisseur d’IA ni à un serveur ; l’extraction s’exécute avec PyMuPDF compilé en WebAssembly dans votre navigateur. Vous décidez ensuite où va le JSON.

Utilisez-le dans un pipeline RAG, créez une base de connaissances pour un chatbot, lancez une analyse par LLM sur des rapports ou transformez une collection de PDF en données d’entraînement. Comme le contenu est découpé par page avec des métadonnées, les réponses peuvent renvoyer à la page d’où elles proviennent.