PDF voorbereiden voor AI

Het volgt het LlamaIndex-documentschema: één document per pagina met de tekst en metadatavelden van die pagina. Het wordt gemaakt met de LlamaIndex-integratie van PyMuPDF, dus je kunt het direct laden in LlamaIndex of in elke pijplijn die tekst per pagina met metadata accepteert.

PDF naar tekst geeft één platte tekststroom, en PDF naar Markdown behoudt koppen en structuur om te lezen. Deze tool splitst de inhoud per pagina en verpakt die in gestructureerde JSON met metadata, wat ophaalpijplijnen nodig hebben voor chunking en bronvermelding.

Alleen als ze al een tekstlaag hebben. Gescande afbeeldingen geven lege of bijna lege uitvoer, dus haal ze eerst door OCR PDF en extraheer daarna.

Ja. Upload meerdere bestanden en je krijgt pdf-for-ai.zip met één jouwbestand_llm.json per PDF; een enkel bestand wordt direct gedownload als jouwbestand_llm.json. Als één bestand in de reeks mislukt, worden de rest toch afgerond en vertelt de samenvatting hoeveel er mislukten.

Nee. Er zijn geen opties; elke pagina wordt geëxtraheerd met alle tekst en metadata. Doe het chunken in je eigen pijplijn, waar je formaten kunt kiezen die bij je embeddingmodel passen en pagina's kunt weglaten die je niet nodig hebt.

Ja. Als een bestand is versleuteld, wordt om het wachtwoord gevraagd voordat de extractie begint, en de tekst wordt uit de gedecodeerde kopie gehaald.

Nee. Ondanks de naam wordt er niets naar een AI-aanbieder of een server gestuurd; de extractie draait met PyMuPDF, gecompileerd naar WebAssembly, in je browser. Daarna bepaal je zelf waar de JSON naartoe gaat.

Voer het in een RAG-pijplijn, bouw een kennisbank voor een chatbot, laat LLM-analyse los op rapporten of maak van een PDF-collectie trainingsdata. Omdat de inhoud per pagina met metadata is opgesplitst, kunnen antwoorden terugverwijzen naar de pagina waar ze vandaan komen.