Chuẩn bị PDF cho AI

Nó tuân theo lược đồ tài liệu của LlamaIndex: mỗi trang là một tài liệu với văn bản và các trường siêu dữ liệu của trang đó. Kết quả do tích hợp LlamaIndex của PyMuPDF tạo ra, nên có thể nạp trực tiếp vào LlamaIndex hoặc bất kỳ pipeline nào nhận văn bản theo từng trang kèm siêu dữ liệu.

PDF sang văn bản cho ra một luồng văn bản thuần, còn PDF sang Markdown giữ lại tiêu đề và cấu trúc để dễ đọc. Công cụ này chia nội dung theo từng trang và đóng gói vào JSON có cấu trúc kèm siêu dữ liệu, đúng thứ mà các pipeline truy xuất cần để chia chunk và trích dẫn nguồn.

Chỉ khi chúng đã có lớp văn bản. Ảnh quét sẽ cho kết quả trống hoặc gần như trống, vì vậy hãy chạy chúng qua OCR PDF trước rồi mới trích xuất.

Có. Tải lên nhiều tệp và bạn sẽ nhận được pdf-for-ai.zip chứa một tệp yourfile_llm.json cho mỗi PDF; một tệp đơn lẻ sẽ được tải xuống trực tiếp dưới dạng yourfile_llm.json. Nếu một tệp trong lô bị lỗi, các tệp còn lại vẫn hoàn tất và phần tóm tắt cho bạn biết có bao nhiêu tệp lỗi.

Không. Không có tùy chọn; mọi trang được trích xuất với đầy đủ văn bản và siêu dữ liệu. Hãy chia khối trong quy trình của riêng bạn, nơi bạn có thể chọn kích thước phù hợp với mô hình embedding và bỏ các trang không cần.

Có. Nếu tệp được mã hóa, bạn sẽ được hỏi mật khẩu trước khi trích xuất bắt đầu, và văn bản được lấy từ bản đã giải mã.

Không. Dù tên là vậy, không có gì được gửi đến nhà cung cấp AI hay máy chủ nào; việc trích xuất chạy bằng PyMuPDF biên dịch sang WebAssembly trong trình duyệt của bạn. Sau đó bạn quyết định JSON sẽ đi đâu.

Đưa nó vào pipeline RAG, xây dựng cơ sở tri thức cho chatbot, chạy phân tích LLM trên các báo cáo, hoặc biến bộ sưu tập PDF thành dữ liệu huấn luyện. Vì nội dung được chia theo từng trang kèm siêu dữ liệu, câu trả lời có thể chỉ về đúng trang nguồn.