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？
This topic created in 1168 days ago, the information mentioned may be changed or developed.
 |
me221Aug 25, 2023
1
pdf 可以直接 embedding 给 ChatGPT 呀
|
 |
3
@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
|
 |
fzlsAug 25, 2023
4
|
 |
yekernAug 25, 2023
5
pdf 转 html 转 markdown 不可以么
|
|
7
@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。
|
 |
c2constAug 25, 2023
8
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
找个大学生帮你手工转
|
1 |
11
@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
@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
PANDOC 看看行不行
|
 |
14
|
|
YGHMXFALAug 25, 2023
15
看了一下,PANDOC 好像不行,InPut 格式不支持 PDF,不符合楼主需求
|
 |
16
用 Abbyy Finereader 先转换成 docx ，然后再转换成 md
|
 |
noahhhhAug 25, 2023 via Android
17
pandagpt ，直接用能导入 PDF 的工具不好吗
|
Select Language