为 AI 准备 PDF

它遵循 LlamaIndex 文档架构：每页一个文档，包含该页文本和元数据字段。输出由 PyMuPDF 的 LlamaIndex 集成生成，因此可以直接加载到 LlamaIndex 或任何接受按页文本和元数据的流程中。

PDF 转文本会输出一整段纯文本流，PDF 转 Markdown 则保留标题和结构，便于阅读。本工具按页拆分内容，并连同元数据封装为结构化 JSON，这正是检索流程在分块和引用来源时所需要的。

只有已包含文本层的才可以。扫描图像的输出为空或几乎为空，因此请先用 OCR PDF 处理，再进行提取。

可以。上传多个文件后，您会得到 pdf-for-ai.zip，其中每个 PDF 对应一个 yourfile_llm.json；单个文件则直接下载为 yourfile_llm.json。如果批量中有某个文件失败，其余文件仍会完成，摘要中会告诉您失败了多少个。

不可以。没有选项；每一页都会连同其完整文字和元数据一起提取。请在您自己的流水线中做分块，在那里您可以选择适合嵌入模型的大小，并去掉不需要的页面。

可以。如果文件已加密，提取开始前会提示您输入密码，文字则从解密后的副本中提取。

不会。尽管名字如此，不会向任何 AI 提供商或服务器发送任何内容；提取由编译为 WebAssembly 的 PyMuPDF 在您的浏览器内运行。之后 JSON 去向何处由您决定。

可将其输入 RAG 流程、为聊天机器人构建知识库、对报告进行 LLM 分析，或把 PDF 集合变成训练数据。由于内容按页拆分并带有元数据，答案可以指回其所在的页面。