Siapkan PDF untuk AI

Mengikuti skema dokumen LlamaIndex: satu dokumen per halaman dengan teks halaman tersebut dan kolom metadata. Dihasilkan oleh integrasi LlamaIndex milik PyMuPDF, sehingga dapat langsung dimuat ke LlamaIndex atau pipeline apa pun yang menerima teks per halaman beserta metadata.

PDF ke Teks menghasilkan satu aliran teks biasa, dan PDF ke Markdown mempertahankan judul serta struktur untuk dibaca. Alat ini membagi konten halaman demi halaman dan membungkusnya dalam JSON terstruktur beserta metadata, yang dibutuhkan pipeline pencarian untuk membagi potongan dan mengutip sumber.

Hanya jika sudah memiliki lapisan teks. Gambar hasil pindaian menghasilkan keluaran kosong atau hampir kosong, jadi jalankan dulu melalui OCR PDF, lalu ekstrak.

Bisa. Unggah beberapa file dan Anda akan mendapatkan pdf-for-ai.zip berisi satu yourfile_llm.json per PDF; satu file akan langsung diunduh sebagai yourfile_llm.json. Jika satu file dalam kelompok gagal, sisanya tetap selesai dan ringkasan akan memberi tahu berapa yang gagal.

Tidak. Tidak ada opsi; setiap halaman diekstrak dengan teks lengkap dan metadatanya. Lakukan chunking di pipeline Anda sendiri, di mana Anda bisa memilih ukuran yang cocok dengan model embedding Anda, dan buang halaman yang tidak Anda butuhkan di sana.

Bisa. Jika file terenkripsi, Anda diminta kata sandinya sebelum ekstraksi dimulai, dan teks diambil dari salinan yang sudah didekripsi.

Tidak. Meski namanya begitu, tidak ada yang dikirim ke penyedia AI atau server mana pun; ekstraksi berjalan dengan PyMuPDF yang dikompilasi ke WebAssembly di dalam browser Anda. Anda sendiri yang memutuskan ke mana JSON dikirim setelahnya.

Gunakan untuk pipeline RAG, membangun basis pengetahuan untuk chatbot, menjalankan analisis LLM pada laporan, atau mengubah kumpulan PDF menjadi data pelatihan. Karena konten dibagi per halaman beserta metadata, jawaban dapat merujuk kembali ke halaman asalnya.