mirror of
https://github.com/alam00000/bentopdf.git
synced 2026-11-07 16:41:00 +01:00
2.3 KiB
2.3 KiB
title, description
| title | description |
|---|---|
| Pripraviť PDF pre AI | Extrahujte obsah PDF do štruktúrovaného JSON optimalizovaného pre LLM a AI pipeline, ako je LlamaIndex. Podporuje dávkové spracovanie. |
Pripraviť PDF pre AI
Extrahuje obsah zo súborov PDF a štruktúruje ho ako JSON optimalizovaný na spracovanie veľkými jazykovými modelmi (LLM) a AI frameworkmi, ako je LlamaIndex. Obsah každej strany sa extrahuje a usporiada do štruktúrovaného formátu pripraveného pre RAG pipeline, chatboty alebo systémy sémantického vyhľadávania.
Ako to funguje
- Nahrajte jedno alebo viac PDF kliknutím na oblasť nahrávania alebo pretiahnutím súborov.
- Kliknutím na Extrahovať spustíte spracovanie.
- Jeden súbor sa stiahne ako
filename_llm.json. Z viacerých súborov vznikne archívpdf-for-ai.zip.
Nástroj používa integráciu PyMuPDF s LlamaIndex na extrakciu obsahu na úrovni strán spolu s metadátami, takže výstup sa dá priamo načítať do AI frameworkov.
Možnosti
Tento nástroj nemá žiadne nastaviteľné možnosti. Všetky strany sa extrahujú s úplným textom a metadátami.
Formát výstupu
- Jeden súbor:
filename_llm.json - Viacero súborov:
pdf-for-ai.zips jedným_llm.jsonpre každé vstupné PDF.
Výstup JSON sa riadi schémou dokumentu LlamaIndex s textovým obsahom a poľami metadát pre každú stranu.
Prípady použitia
- Príprava dokumentov PDF pre pipeline generovania rozšíreného o vyhľadávanie (RAG).
- Budovanie prehľadávateľnej znalostnej bázy z archívov PDF pre AI chatbota.
- Vkladanie PDF správ do analytických workflow založených na LLM.
- Predspracovanie výskumných prác pre systémy sémantického vyhľadávania a odpovedania na otázky.
- Vytváranie štruktúrovaných trénovacích dát zo zbierok dokumentov PDF.
Tipy
- Na extrakciu čistého textu bez formátovania špecifického pre AI použite PDF do Textu.
- Na výstup v Markdowne, ktorý zachová nadpisy a štruktúru, použite PDF do Markdownu.
- Naskenované PDF vytvoria prázdny alebo minimálny výstup. Pred extrakciou ich najprv spracujte pomocou OCR, aby ste pridali textovú vrstvu.