|
PyMuPDF4LLM,顾名思义，它是一个为pymupdf添加了LLM的输出功能的库。 PyMuPDF4LLM的特点： 多功能 Markdown 提取PyMuPDF4LLM支持广泛的任务，从基本的文本提取到适合微调LLM的 Markdown格式的数据采集。 灵活运用除了文本提取之外，该工具还可以逐页检索数据，将其保存为RAG任务所需的格式，甚至将数据直接传递给 LlamaIndex 等框架。 丰富的提取功能除了文本之外，还可以满足图像提取、分词、表格提取等细节需求。这些功能在多种情况下都很有用，包括知识库创建和情感分析。 安装方法首先，让我们安装 PyMuPDF4LLM。 用例 1：基本 Markdown 提取 让我们获取 Markdown 格式的 PDF 内容。 importpymupdf4llmmd_text=pymupdf4llm.to_markdown("document.pdf")以 Markdown 格式获取可以保留标题和列表等结构，使其成为 LLM 训练数据的理想选择。 用例 2：仅提取特定页面仅提取您需要的页面也很容易。 importpymupdf4llm#只抽取指定的第8页，第9页md_text=pymupdf4llm.to_markdown("document.pdf",pages=[8,9])它非常高效，因为您可以从大型PDF中仅提取所需的部分。 用例 3：将 Markdown 保存到文件让我们将提取的 Markdown 保存到文件中。 importpymupdf4llmimportpathlibmd_text=pymupdf4llm.to_markdown("document.pdf")pathlib.Path("output.md").write_bytes(md_text.encode())用例 4：提取为 LlamaIndex 的文档您还可以以与 LlamaIndex兼容的格式检索数据。 importpymupdf4llmllama_reader=pymupdf4llm.LlamaMarkdownReader()llama_docs=llama_reader.load_data("document.pdf")用例 5：提取图像提取图像也很容易。 md_text_images=pymupdf4llm.to_markdown(doc="document.pdf",pages=[1,11],page_chunks=True,write_images=True,image_path="images",image_format="png",dpi=300) 用例 6：对数据进行分块并使用元数据进行提取还可以对数据进行分块并使用元数据检索它。 md_text_chunks=pymupdf4llm.to_markdown(doc="document.pdf",pages=[0,1,2],page_chunks=True) 用例 7：详细的逐字提取它还支持您想要以字为单位获取数据的情况。 md_text_words=pymupdf4llm.to_markdown(doc="document.pdf",pages=[1,2],page_chunks=True,write_images=True,image_path="images",image_format="png",dpi=300,extract_words=True)print(md_text_words[0]['words'][:5]) 用法示例8：整齐地提取表格importpymupdf4llmmd_text_tables=pymupdf4llm.to_markdown(doc="document.pdf",pages=[12]#存在表格的页面)print(md_text_tables) 如果您正在构建RAG系统、微调您的LLM，或者只是在寻找出色的 PDF提取工具，可以尝试一下PyMuPDF4LLM。
| 
