Förbered PDF för AI

Det följer LlamaIndex dokumentschema: ett dokument per sida med sidans text och metadatafält. Det skapas av PyMuPDF:s LlamaIndex-integration, så det kan läsas in direkt i LlamaIndex eller i valfri pipeline som tar emot text per sida med metadata.

PDF till text ger en enda ren textström, och PDF till Markdown behåller rubriker och struktur för läsning. Det här verktyget delar upp innehållet sida för sida och packar in det i strukturerad JSON med metadata, vilket är vad retrieval-pipelines behöver för chunkning och källhänvisning.

Bara om de redan har ett textlager. Skannade bilder ger tom eller nästan tom utdata, så kör dem först genom OCR PDF och extrahera sedan.

Ja. Ladda upp flera filer så får du pdf-for-ai.zip med en yourfile_llm.json per PDF. En enskild fil laddas ned direkt som yourfile_llm.json. Om en fil i omgången misslyckas slutförs resten ändå, och sammanfattningen visar hur många som misslyckades.

Nej. Det finns inga alternativ. Varje sida extraheras med sin fulla text och metadata. Gör uppdelningen i bitar i ditt eget flöde, där du kan välja storlekar som passar din inbäddningsmodell, och släpp sidor du inte behöver där.

Ja. Om en fil är krypterad får du en fråga om dess lösenord innan extraheringen startar, och texten hämtas från den dekrypterade kopian.

Nej. Trots namnet skickas ingenting till någon AI-leverantör eller server. Extraheringen körs med PyMuPDF kompilerat till WebAssembly i din webbläsare. Du bestämmer efteråt vart JSON-filen ska.

Mata en RAG-pipeline med den, bygg en kunskapsbas för en chattbot, kör LLM-analys över rapporter eller gör om en PDF-samling till träningsdata. Eftersom innehållet delas upp per sida med metadata kan svaren peka tillbaka till sidan de kom från.