PDF Markdownná

PDF konvertálása Markdown formátumba dokumentációhoz és LLM-ekhez

Ha szöveget másol ki egy PDF-ből egy wikilapra vagy egy nyelvi modell számára készített promptba, az általában azt jelenti, hogy hibás sortörésekkel, elveszett címsorokkal és összefüggő szavak falává váló táblázatokkal kell megküzdenie. A PDF Markdownná eszköz a struktúrát olvassa be a nyers szöveg helyett, így a kimenet olyan, amit rögtön beilleszthet a dokumentációba, vagy betölthet egy modellbe, előzetes tisztítás nélkül.

Az eszköz a betűméretek alapján különbözteti meg a címsorokat a szövegtörzstől, szavakat csoportosít bekezdésekbe, felismeri a felsorolásjeleket, és a táblázatokat Markdown táblázatokként építi újra, nem pedig számok összekeveredett oszlopaiként. Egy olyan beszkennelt oldalon, amelyen kevés vagy semmilyen valódi szövegréteg nincs, automatikusan lefut a szövegfelismerés, így használható Markdown-t kap üres fájl helyett. Az eredmény egyszerű .md fájlként tölthető le. A rövid, egyszerű PDF-ek közvetlenül a böngészőjében konvertálódnak; a hosszabb vagy összetettebb fájlok szerverünkre kerülnek biztonságos kapcsolaton keresztül, és 60 percen belül törlődnek.

A címsor-felismerés azon alapul, hogy a dokumentum különböző betűméreteket használ a címsorokhoz, így egy olyan PDF, amelyben minden sor azonos méretűnek látszik, nagyrészt egyszerű bekezdésekként jelenik meg.

• A többhasábos elrendezések és az egymásba ágyazott táblázatok igényelhetik leginkább a kézi utánigazítást.
• A beszkennelt oldalak kissé tovább tartanak, mivel előbb lefut a szövegfelismerés.
• Ha csak a szavakra van szüksége, formázás nélkül, a PDF szöveggé eszköz kihagyja a formázási döntéseket.