这是一个创建于 438 天前的主题，其中的信息可能已经有所发展或是发生改变。
试了下网上的几个工具，结果出来都不太理想。
pdf 都是一些产品说明介绍，有各种图表图片等，排版复杂没有规律。
想着能不能把产品 pdf 的主要内容，表格之类的转成 markdown ，方便后续 embedding 喂给 chatgpt 。
又或者 pdf to markdown 这一步需要单独训练个 AI 出来？如何开始，大家有思路吗？
 |
1
me221 2023-08-25 09:19:39 +08:00
pdf 可以直接 embedding 给 ChatGPT 呀
|
 |
3
elevioux OP @me221 如果我理解没问题的话，embedding 本身只是用于语义搜索，搜索出来的结果必须要有对应的原文本才好给到 chatgpt 处理。如果 pdf 转 markdown 不理想的话，chatgpt 拿到文本也是很难理解。还是我思路有问题？望指教
|
 |
4
fzls 2023-08-25 09:31:54 +08:00
|
 |
5
yekern 2023-08-25 09:31:56 +08:00
pdf 转 html 转 markdown 不可以么
|
|
7
elevioux OP @yekern 有想到过，也试过，还是表格形式的数据难以转换。pdf 的排版太没规律了，我们人眼看起来是个表格，转成 html ，就成了各种 div 的拼凑。
|
 |
8
c2const 2023-08-25 09:55:21 +08:00
1.PDF 包含的信息太多了，比如嵌入私有字体都可以，想保留格式转化没啥好办法 :(
2.可以直接把所有 PDF 打印成高质量图片，markdown 贴图 :) 3.精细一点，可以把简单格式的文字转 markdwon ，不方便转表格图片其它格式就用图片，但是不知道有没有现成的自动化程序 :( |
 |
9
gitignore 2023-08-25 09:59:56 +08:00  1
找个大学生帮你手工转
|
|
10
me221 2023-08-25 10:08:10 +08:00 1
@elevioux #3 你的思路没问题。是我没考虑 PDF 中的图片问题，可以用 OCR 把 PDF 转为 Docx 格式，然后 embedding
|
|
11
elevioux OP @c2const 其实并不是想要用 markdown 来还原 pdf ，只是用 markdown 来保留 pdf 的关键信息和表格，方便 chatgpt 理解。
|
|
12
elevioux OP @me221 试过百度的 padddle ，错别字有点多（ pdf 主要是繁体），当然也可能是我其它参数没设置好。目前主要想法是自己训练一个 AI 来识别文档的内容，如标记哪里是表格，哪里是大段文字等，再用 pymupdf 等提取文字再合成 markdown 。不过苦于对 AI 不熟悉，用 pytorch 写了个 demo 就没有然后了，不知如何开始。
|
 |
13
YGHMXFAL 2023-08-25 12:10:20 +08:00 1
PANDOC 看看行不行
|
 |
14
amlee 2023-08-25 12:53:28 +08:00 1
|
|
15
YGHMXFAL 2023-08-25 14:22:34 +08:00
看了一下,PANDOC 好像不行,InPut 格式不支持 PDF,不符合楼主需求
|
 |
16
iX8NEGGn 2023-08-25 15:03:10 +08:00 via iPhone 2
用 Abbyy Finereader 先转换成 docx ，然后再转换成 md
|
 |
17
noahhhh 2023-08-25 15:14:04 +08:00 via Android
pandagpt ，直接用能导入 PDF 的工具不好吗
|
Select Language