Convertir PDF en Markdown

Vérifier le résultat

Comparez la sortie PDF en Markdown au PDF d'origine avant de l'utiliser comme preuve. Commencez par une page avec des colonnes, une note de bas de page et un tableau plutôt qu'une simple page de couverture. Lisez la dernière phrase d'une colonne et la première de la suivante : elles devraient former la même séquence qu'une personne suit dans le PDF. Comparez ensuite un en-tête de tableau, une valeur négative et une unité. Un aperçu Markdown lisible peut tout de même contenir une substitution de l'OCR ou une cellule mal placée. Si le document oriente une décision financière ou technique, conservez le PDF à côté du Markdown et vérifiez le passage que vous comptez citer. La conversion facilite le travail sur le texte ; elle ne certifie pas la source ni sa transcription.

Ce qui change

La conversion PDF en Markdown remplace la position visuelle par une structure textuelle. Un grand titre peut devenir un marqueur de titre, les paragraphes restent des paragraphes et un tableau pris en charge devient des lignes séparées par des barres verticales. La géométrie de la page, les lignes décoratives, les polices et les sauts de ligne d'origine ne font pas partie du contrat de sortie. C'est utile quand vous voulez modifier un extrait ou construire un index de recherche, mais pas quand l'objectif est de reproduire une brochure avec exactitude. Conservez le PDF d'origine pour sa mise en page faisant foi. Quand une mise en page ne peut pas être représentée par un simple tableau Markdown, voyez si une brève explication ou un tableau corrigé à la main n'est pas la représentation ultérieure la plus claire.

Sources pour le RAG

Utilisez le titre du PDF et des en-têtes de section significatifs pour conserver le contexte quand vous découpez le Markdown en fragments. Un fragment dont le seul en-tête est Résultats peut devenir ambigu une fois sorti du document ; votre code d'ingestion peut conserver le nom du document et l'en-tête parent avec ce fragment. Gardez un en-tête de tableau avec ses lignes et évitez de couper une liste au milieu d'une condition. Conservez la référence du PDF d'origine à part pour qu'une réponse retrouvée puisse ramener le lecteur à la source. LangChain et LlamaIndex peuvent consommer le texte de votre propre processus d'ingestion, mais le choix du découpeur, du modèle de vectorisation et de la politique de recherche reste du ressort de votre application. Testez la recherche avec des questions dont vous avez vérifié la réponse dans le PDF.

Choisir le PDF

Préférez le PDF exporté d'origine quand il contient du texte lisible. Une capture d'écran de ce PDF ajoute une étape de reconnaissance d'image et peut perdre les petits caractères avant même que la conversion ne commence. Pour les PDF numérisés, redressez les pages pivotées et utilisez une version où la ponctuation et les bords des tableaux restent lisibles à un zoom normal. Retirez le mot de passe avant d'importer un PDF chiffré. Si seule une partie d'un long rapport est pertinente, préparez les pages sources concernées et conservez leur référence d'origine dans vos notes. Répéter la même numérisation abîmée ne corrigera guère le détail manquant ; améliorez d'abord la source, puis comparez le nouveau résultat PDF en Markdown à l'ancien.

Limites de découpage

La qualité de la recherche dépend de limites de fragments qui correspondent au document qu'une personne lirait. Ce convertisseur réordonne les colonnes et conserve les niveaux de titre pour qu'un découpeur émette des passages plutôt que des fragments entrelacés issus d'un article à deux colonnes. Même sur un PDF en texte aplati, l'extraction de texte PDF vise à préserver la structure.

• Utilisez le Markdown comme l'artefact que vous découpez et vectorisez, pas un vidage de texte aplati.
• Les pages standard et les pages OCR sont facturées à 1 crédit par page sur les forfaits avec connexion.
• Les fichiers protégés par mot de passe doivent être déverrouillés avant l'import ; les PDF chiffrés sont refusés.