mirror of
https://github.com/alam00000/bentopdf.git
synced 2026-11-09 09:04:18 +01:00
48 lines
1.9 KiB
Markdown
48 lines
1.9 KiB
Markdown
---
|
||
title: 为 AI 准备 PDF
|
||
description: 将 PDF 内容提取为针对 LLM 和 LlamaIndex 等 AI 管道优化的结构化 JSON。支持批量处理。
|
||
---
|
||
|
||
# 为 AI 准备 PDF
|
||
|
||
从 PDF 文件中提取内容，并将其整理为适合大型语言模型（LLM）和 LlamaIndex 等 AI 框架摄取的 JSON。每一页的内容都会被提取并组织成结构化格式，可直接用于 RAG 管道、聊天机器人或语义搜索系统。
|
||
|
||
## 工作原理
|
||
|
||
1. 点击拖放区域或将文件拖到其上，上传一个或多个 PDF。
|
||
2. 点击**提取**开始处理。
|
||
3. 单个文件会下载为 `filename_llm.json`。多个文件会生成 `pdf-for-ai.zip` 压缩包。
|
||
|
||
此工具使用 PyMuPDF 的 LlamaIndex 集成来提取带元数据的页面级内容，生成的输出可直接加载到 AI 框架中。
|
||
|
||
## 选项
|
||
|
||
此工具没有可配置的选项。所有页面都会提取完整文本和元数据。
|
||
|
||
## 输出格式
|
||
|
||
- **单个文件**：`filename_llm.json`
|
||
- **多个文件**：`pdf-for-ai.zip`，每个输入 PDF 对应一个 `_llm.json`。
|
||
|
||
JSON 输出遵循 LlamaIndex 文档模式，包含每页的文本内容和元数据字段。
|
||
|
||
## 使用场景
|
||
|
||
- 为检索增强生成（RAG）管道准备 PDF 文档。
|
||
- 利用 PDF 档案为 AI 聊天机器人构建可搜索的知识库。
|
||
- 将 PDF 报告输入基于 LLM 的分析工作流。
|
||
- 为语义搜索和问答系统预处理研究论文。
|
||
- 从 PDF 文档集合中创建结构化的训练数据。
|
||
|
||
## 提示
|
||
|
||
- 如果只需要不含 AI 专用格式的纯文本提取，请使用 [PDF 转文本](./pdf-to-text)。
|
||
- 如果需要保留标题和结构的 Markdown 输出，请使用 [PDF 转 Markdown](./pdf-to-markdown)。
|
||
- 扫描版 PDF 的输出会为空或内容极少。请先通过 OCR 添加文本层，再进行提取。
|
||
|
||
## 相关工具
|
||
|
||
- [PDF 转文本](./pdf-to-text)
|
||
- [PDF 转 Markdown](./pdf-to-markdown)
|
||
- [PDF 转 JSON](./pdf-to-json)
|