PDF ל-Markdown

המרת PDF ל-Markdown לתיעוד ולמודלי שפה

הדבקת טקסט מ-PDF לתוך עמוד וויקי או לתוך פרומפט למודל שפה בדרך כלל אומרת מלחמה בשורות שנשברות באקראי, כותרות שאבדו, וטבלאות שהופכות לקיר של מילים מחוברות. PDF ל-Markdown קורא את המבנה במקום טקסט גולמי, כך שהתוצאה היא משהו שאפשר להדביק לתוך תיעוד או להזין למודל בלי לנקות אותו קודם.

הכלי בוחן את גדלי הגופנים כדי להבחין בין כותרות לטקסט גוף, מקבץ מילים לפסקאות, מזהה נקודות תבליט, ובונה מחדש טבלאות כטבלאות Markdown ולא כטורי מספרים מבולבלים. עמוד סרוק עם מעט או אין שכבת טקסט אמיתית עובר זיהוי טקסט אוטומטי, כך שמתקבל Markdown שמיש במקום קובץ ריק. התוצאה מתקבלת כקובץ .md פשוט להורדה. קובצי PDF קצרים ופשוטים מומרים ישירות בדפדפן; קבצים ארוכים או מורכבים יותר עוברים לשרתים שלנו בחיבור מאובטח ונמחקים בתוך 60 דקות.

זיהוי הכותרות תלוי בכך שהמסמך משתמש בגדלי גופן שונים לכותרות, כך שקובץ PDF שבו כל השורות נראות באותו גודל יוצא בעיקר כפסקאות פשוטות.

• פריסות בכמה עמודות וטבלאות מקוננות הן המועדות ביותר לדרוש תיקון ידני.
• עמודים סרוקים לוקחים קצת יותר זמן כי זיהוי הטקסט רץ קודם.
• אם רוצים רק את המילים בלי מבנה, PDF לטקסט מדלג על החלטות העיצוב.