Conversor de PDF para Markdown

Revisar o resultado

Confira o resultado de PDF para Markdown contra o PDF original antes de usá-lo como evidência. Comece por uma página com colunas, uma nota de rodapé e uma tabela em vez de uma capa simples. Leia a última frase de uma coluna e a primeira da seguinte: elas devem formar a mesma sequência que uma pessoa segue no PDF. Depois compare um cabeçalho de tabela, um valor negativo e uma unidade. Uma pré-visualização de Markdown legível pode conter igualmente uma substituição do OCR ou uma célula mal posicionada. Se o documento orienta uma decisão financeira ou técnica, guarde o PDF junto do Markdown e verifique o trecho que você pretende citar. A conversão facilita trabalhar com o texto; ela não certifica a fonte nem sua transcrição.

O que muda

A conversão de PDF para Markdown substitui a posição visual por uma estrutura de texto. Um título grande pode virar um marcador de cabeçalho, os parágrafos continuam parágrafos e uma tabela aceita se transforma em linhas separadas por barras. A geometria da página, as linhas decorativas, as fontes e a quebra de linha original não fazem parte do contrato de saída. Isso é útil quando você quer editar um trecho ou construir um índice de recuperação, mas não serve quando o objetivo é reproduzir um folheto com exatidão. Guarde o PDF original pelo seu layout autorizado. Quando um layout não puder ser representado por uma tabela Markdown simples, verifique se uma breve explicação ou uma tabela revisada à mão é a representação posterior mais clara.

Fontes para RAG

Use o título do PDF e cabeçalhos de seção significativos para preservar o contexto ao dividir o Markdown em blocos. Um bloco que só leva como cabeçalho Resultados pode ficar ambíguo quando sai do documento; seu código de ingestão pode conservar o nome do documento e o cabeçalho pai junto desse bloco. Mantenha um cabeçalho de tabela junto com suas linhas e evite cortar uma lista no meio de uma condição. Guarde a referência do PDF original à parte para que uma resposta recuperada possa levar o leitor de volta à fonte. LangChain e LlamaIndex podem consumir texto do seu próprio processo de ingestão, mas escolher o divisor, o modelo de embeddings e a política de recuperação continua sendo tarefa da sua aplicação. Teste a recuperação com perguntas cuja resposta você verificou no PDF.

Escolher o PDF

Dê preferência ao PDF exportado original quando ele contiver texto legível. Uma captura de tela desse PDF adiciona outra etapa de reconhecimento de imagem e pode perder caracteres pequenos antes que a conversão comece. Em PDFs digitalizados, endireite as páginas giradas e use uma versão em que a pontuação e as bordas das tabelas continuem legíveis com o zoom normal. Remova a senha antes de enviar um PDF criptografado. Se só uma parte de um relatório longo for relevante, prepare as páginas de origem pertinentes e conserve sua referência original nas suas notas. Repetir a mesma digitalização danificada dificilmente vai corrigir o detalhe que falta; melhore a fonte primeiro e depois compare o novo resultado de PDF para Markdown com o anterior.

Limites dos blocos

A qualidade da recuperação depende de os limites dos blocos coincidirem com o documento que uma pessoa leria. Este conversor reordena as colunas e preserva os níveis de título para que um divisor possa emitir passagens em vez de fragmentos entrelaçados de um artigo em duas colunas.

• Use o Markdown como o artefato que você divide e incorpora, não um despejo de texto achatado.
• As páginas padrão e as páginas com OCR são cobradas a 1 crédito por página nos planos com login.
• Arquivos protegidos com senha precisam ser desbloqueados antes do envio; PDFs criptografados são recusados.