mirror of
https://github.com/alam00000/bentopdf.git
synced 2026-11-08 08:52:28 +01:00
48 lines
2.3 KiB
Markdown
48 lines
2.3 KiB
Markdown
---
|
|
title: Preparar PDF para IA
|
|
description: Extrae el contenido de un PDF en JSON estructurado y optimizado para LLM y flujos de IA como LlamaIndex. Admite procesamiento por lotes.
|
|
---
|
|
|
|
# Preparar PDF para IA
|
|
|
|
Extrae el contenido de archivos PDF y lo estructura como JSON optimizado para que lo ingieran modelos de lenguaje de gran tamaño (LLM) y frameworks de IA como LlamaIndex. El contenido de cada página se extrae y se organiza en un formato estructurado listo para flujos RAG, chatbots o sistemas de búsqueda semántica.
|
|
|
|
## Cómo funciona
|
|
|
|
1. Sube uno o más PDF haciendo clic en la zona de carga o arrastrando archivos hasta ella.
|
|
2. Haz clic en **Extraer** para iniciar el procesamiento.
|
|
3. Un solo archivo se descarga como `filename_llm.json`. Varios archivos generan un archivo `pdf-for-ai.zip`.
|
|
|
|
La herramienta usa la integración de PyMuPDF con LlamaIndex para extraer el contenido por página con metadatos, y produce un resultado que se puede cargar directamente en frameworks de IA.
|
|
|
|
## Opciones
|
|
|
|
Esta herramienta no tiene opciones configurables. Todas las páginas se extraen con el texto completo y los metadatos.
|
|
|
|
## Formato de salida
|
|
|
|
- **Un solo archivo**: `filename_llm.json`
|
|
- **Varios archivos**: `pdf-for-ai.zip` con un `_llm.json` por cada PDF de entrada.
|
|
|
|
El JSON resultante sigue el esquema de documentos de LlamaIndex, con el texto de cada página y campos de metadatos.
|
|
|
|
## Casos de uso
|
|
|
|
- Preparar documentos PDF para flujos de generación aumentada por recuperación (RAG).
|
|
- Crear una base de conocimiento consultable a partir de archivos PDF para un chatbot de IA.
|
|
- Alimentar informes en PDF a flujos de análisis basados en LLM.
|
|
- Preprocesar artículos científicos para sistemas de búsqueda semántica y de preguntas y respuestas.
|
|
- Crear datos de entrenamiento estructurados a partir de colecciones de documentos PDF.
|
|
|
|
## Consejos
|
|
|
|
- Para extraer texto sin formato específico para IA, usa [PDF a texto](./pdf-to-text).
|
|
- Para obtener Markdown que conserve los encabezados y la estructura, usa [PDF a Markdown](./pdf-to-markdown).
|
|
- Los PDF escaneados producirán un resultado vacío o mínimo. Pásalos antes por OCR para añadir una capa de texto antes de extraer.
|
|
|
|
## Herramientas relacionadas
|
|
|
|
- [PDF a texto](./pdf-to-text)
|
|
- [PDF a Markdown](./pdf-to-markdown)
|
|
- [PDF a JSON](./pdf-to-json)
|