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。
import pymupdf4llmmd_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。
import pymupdf4llm# 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。
import pymupdf4llmimport pathlibmd_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。
import pymupdf4llmllama_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
import pymupdf4llmmd_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。
粤ICP备14082021号
免费POC，
零成本试错
