PDF'ten Markdown'a dönüştürücü

Çıktıyı gözden geçirme

PDF'ten Markdown'a çıktısını kanıt olarak kullanmadan önce özgün PDF'le karşılaştırın. Kolay bir başlık sayfası yerine sütunlar, bir dipnot ve bir tablo içeren bir sayfayla başlayın. Bir sütunun son cümlesini ve sonrakinin ilk cümlesini okuyun: PDF'te bir insanın izlediği aynı sırayı oluşturmalıdırlar. Sonra bir tablo başlığını, negatif bir değeri ve bir birimi karşılaştırın. Okunabilir bir Markdown önizlemesi yine de bir OCR ikamesi ya da yanlış yerleştirilmiş bir hücre içerebilir. Belge finansal veya teknik bir karara yön veriyorsa, PDF'i Markdown'ın yanında saklayın ve alıntılamayı düşündüğünüz pasajı doğrulayın. Dönüştürme metinle çalışmayı kolaylaştırır; kaynağı veya transkripsiyonunu belgelemez.

Neler değişir

PDF'ten Markdown'a dönüştürme, görsel konumlandırmayı bir metin yapısıyla değiştirir. Büyük bir başlık bir başlık işaretine dönüşebilir, paragraflar paragraf olur ve desteklenen bir tablo çizgilerle ayrılmış satırlara dönüşür. Sayfa geometrisi, dekoratif çizgiler, yazı tipi seçimleri ve özgün satır kaydırma, çıktı sözleşmesinin parçası değildir. Bu, bir alıntıyı düzenlemek veya bir getirme dizini oluşturmak istediğinizde yararlıdır; ancak amaç bir broşürü birebir çoğaltmaksa uygun değildir. Yetkili düzeni için özgün PDF'i saklayın. Bir düzen basit bir Markdown tablosuyla temsil edilemiyorsa, kısa bir açıklamanın mı yoksa elle gözden geçirilmiş bir tablonun mu sonraki aşama için daha net bir temsil olduğunu denetleyin.

RAG kaynakları

Markdown'ı pasajlara bölerken bağlamı korumak için PDF başlığını ve anlamlı bölüm başlıklarını kullanın. Yalnızca Sonuçlar başlığı taşıyan bir parça, belgeden çıktıktan sonra belirsiz kalabilir; veri alma kodunuz belge adını ve üst başlığı o parçayla birlikte saklayabilir. Bir tablo başlığını satırlarıyla bir arada tutun ve bir listeyi bir koşulun ortasında bölmekten kaçının. Getirilen bir yanıtın okuyucuyu kaynağa geri götürebilmesi için özgün PDF referansını ayrı saklayın. LangChain ve LlamaIndex kendi veri alma sürecinizden metni tüketebilir; ancak ayırıcıyı, gömme modelini ve getirme politikasını seçmek yine uygulamanızın işidir. Getirmeyi, yanıtını PDF'te doğruladığınız sorularla test edin.

PDF'i seçme

Okunabilir metin içerdiğinde özgün PDF çıktısını tercih edin. O PDF'in bir ekran görüntüsü, başka bir görsel tanıma adımı ekler ve dönüştürme başlamadan önce küçük karakterleri kaybedebilir. Taranmış PDF'lerde, döndürülmüş sayfaları düzeltin ve noktalama ile tablo kenarlıklarının normal yakınlaştırmada okunabilir kaldığı bir sürüm kullanın. Şifreli bir PDF'i yüklemeden önce parolayı kaldırın. Uzun bir raporun yalnızca bir kısmı ilgiliyse, ilgili kaynak sayfaları hazırlayın ve notlarınızda özgün referanslarını saklayın. Aynı hasarlı taramayı tekrarlamak, eksik ayrıntıyı düzeltmez; önce kaynağı iyileştirin, sonra yeni PDF'ten Markdown'a çıktısını önceki sonuçla karşılaştırın.

Parça sınırları

Getirme kalitesi, bir insanın okuyacağı belgeyle eşleşen parça sınırlarına bağlıdır. Bu dönüştürücü sütunları yeniden sıralar ve başlık düzeylerini korur; böylece bir ayırıcı, iki sütunlu bir makaleden iç içe geçmiş parçalar yerine pasajlar üretebilir.

• Markdown'ı, parçaladığınız ve gömduğünüz artefakt olarak kullanın; düzleştirilmiş bir metin dökümü olarak değil.
• Standart sayfalar ve OCR sayfaları, oturum açılan planlarda sayfa başına 1 kredi ile faturalanır.
• Parola korumalı dosyaların kilidi yüklemeden önce açılmalıdır; şifreli PDF'ler reddedilir.