mirror of
https://github.com/alam00000/bentopdf.git
synced 2026-11-06 08:08:38 +01:00
2.3 KiB
2.3 KiB
title, description
| title | description |
|---|---|
| Preparar PDF para IA | Extraia o conteúdo do PDF para JSON estruturado, otimizado para LLMs e pipelines de IA como o LlamaIndex. Suporta processamento em lote. |
Preparar PDF para IA
Extrai o conteúdo de arquivos PDF e o estrutura como JSON otimizado para ingestão por modelos de linguagem (LLMs) e frameworks de IA como o LlamaIndex. O conteúdo de cada página é extraído e organizado em um formato estruturado, pronto para pipelines RAG, chatbots ou sistemas de busca semântica.
Como funciona
- Envie um ou mais PDFs clicando na área de soltar ou arrastando os arquivos para ela.
- Clique em Extrair para iniciar o processamento.
- Um único arquivo é baixado como
filename_llm.json. Vários arquivos geram um arquivopdf-for-ai.zip.
A ferramenta usa a integração do PyMuPDF com o LlamaIndex para extrair o conteúdo por página com metadados, produzindo uma saída que pode ser carregada diretamente em frameworks de IA.
Opções
Esta ferramenta não tem opções configuráveis. Todas as páginas são extraídas com texto completo e metadados.
Formato de saída
- Um arquivo:
filename_llm.json - Vários arquivos:
pdf-for-ai.zipcontendo um_llm.jsonpor PDF de entrada.
A saída JSON segue o esquema de documento do LlamaIndex, com o texto de cada página e campos de metadados.
Casos de uso
- Preparar documentos PDF para pipelines de geração aumentada por recuperação (RAG).
- Criar uma base de conhecimento pesquisável a partir de arquivos PDF para um chatbot de IA.
- Alimentar relatórios em PDF em fluxos de análise baseados em LLM.
- Pré-processar artigos científicos para busca semântica e sistemas de perguntas e respostas.
- Criar dados de treinamento estruturados a partir de coleções de documentos PDF.
Dicas
- Para extração de texto simples, sem formatação específica para IA, use PDF para Texto.
- Para uma saída em Markdown que preserve títulos e estrutura, use PDF para Markdown.
- PDFs digitalizados produzem saída vazia ou mínima. Passe-os antes por OCR para adicionar uma camada de texto antes da extração.