Konverter PDF ke Markdown

Meninjau hasilnya

Periksa hasil PDF ke Markdown terhadap PDF aslinya sebelum memakainya sebagai bukti. Mulai dari halaman dengan kolom, catatan kaki, dan tabel alih-alih halaman sampul yang sederhana. Baca kalimat terakhir satu kolom dan kalimat pertama kolom berikutnya: keduanya harus membentuk urutan yang sama seperti yang dibaca orang di PDF. Lalu bandingkan satu judul tabel, satu nilai negatif, dan satu satuan. Pratinjau Markdown yang terbaca tetap bisa memuat salah pengenalan OCR atau sel yang salah tempat. Jika dokumen itu menjadi dasar keputusan finansial atau teknis, simpan PDF-nya di samping Markdown dan verifikasi bagian yang hendak Anda kutip. Konversi memudahkan pekerjaan dengan teksnya; konversi tidak mensertifikasi sumbernya atau transkripsinya.

Apa yang berubah

Konversi PDF ke Markdown menggantikan posisi visual dengan struktur teks. Judul besar bisa menjadi penanda judul, paragraf tetap paragraf, dan tabel yang didukung berubah menjadi baris yang dipisahkan pipa. Geometri halaman, garis dekoratif, fonta, dan pemenggalan baris aslinya bukan bagian dari kontrak keluaran. Ini berguna saat Anda ingin menyunting kutipan atau membangun indeks pengambilan, tetapi tidak cocok saat tujuannya mereproduksi brosur dengan persis. Simpan PDF aslinya untuk tata letak resminya. Ketika sebuah tata letak tidak bisa diwakilkan dengan tabel Markdown sederhana, periksa apakah penjelasan singkat atau tabel yang ditinjau manual adalah representasi lanjutan yang paling jelas.

Sumber untuk RAG

Gunakan judul PDF dan judul bagian yang bermakna untuk mempertahankan konteks saat memotong Markdown menjadi bagian-bagian. Bagian yang hanya berjudul Hasil bisa menjadi ambigu saat keluar dari dokumennya; kode pengambilan data Anda bisa menyimpan nama dokumen dan judul induknya bersama bagian itu. Pertahankan judul tabel bersama baris-barisnya dan hindari memotong daftar di tengah kondisi. Simpan referensi PDF aslinya secara terpisah agar jawaban hasil pengambilan bisa membawa pembaca kembali ke sumbernya. LangChain dan LlamaIndex bisa mengonsumsi teks dari proses pengambilan data Anda sendiri, tetapi memilih pemisah, model penyematan, dan kebijakan pengambilan tetap tugas aplikasi Anda. Uji pengambilan dengan pertanyaan yang jawabannya sudah Anda verifikasi di PDF.

Memilih PDF

Utamakan PDF hasil ekspor asli saat memuat teks yang bisa dibaca. Tangkapan layar dari PDF itu menambah satu langkah pengenalan gambar dan bisa kehilangan karakter kecil sebelum konversi dimulai. Untuk PDF hasil pindai, luruskan halaman yang miring dan pakai versi yang tanda bacanya serta tepi tabelnya tetap terbaca pada zoom normal. Hapus kata sandinya sebelum mengunggah PDF terenkripsi. Jika hanya sebagian laporan panjang yang relevan, siapkan halaman sumber yang bersangkutan dan simpan referensi aslinya di catatan Anda. Mengulang pindaian rusak yang sama tidak akan memperbaiki detail yang hilang; perbaiki sumbernya dulu, lalu bandingkan hasil PDF ke Markdown yang baru dengan yang sebelumnya.

OCR PDF dan lapisan teks

Kualitas pengambilan bergantung pada batas bagian yang cocok dengan dokumen yang akan dibaca orang. Konverter ini menyusun ulang kolom dan mempertahankan tingkat judul agar pemisah bisa menghasilkan bagian utuh alih-alih potongan yang saling menyelip dari artikel dua kolom. Halaman yang hanya berisi gambar tanpa lapisan teks melewati OCR, sedangkan PDF dengan lapisan teks dibaca langsung; keduanya berakhir sebagai Markdown, termasuk saat Anda perlu mengubah PDF ke teks lebih dulu.

• Pakai Markdown sebagai artefak yang Anda potong dan sematkan, bukan buangan teks yang diratakan.
• Halaman standar dan halaman OCR ditagih 1 kredit per halaman di paket dengan sesi masuk.
• File yang dilindungi kata sandi harus dibuka sebelum diunggah; PDF terenkripsi ditolak.