PDF-tekstin poiminta
Muunna PDF-dokumenttisi muokattavaksi tekstiksi edistyksellisellä PDF-tekstin poiminta -työkalullamme. Tämä tehokas työkalu käyttää OCR-teknologiaa sisällön tar...
2 min lukuaika
PDF
Text Extraction
+4
Tekoäly voi analysoida suuria tietomääriä sekunneissa, mutta vain osa datasta on olennaista tai sopivaa tulostettavaksi. Dokumentista tekstiksi -komponentti antaa sinulle hallinnan siihen, miten hakijoiden data käsitellään ja muunnetaan tekstiksi.
Dokumentista tekstiksi -komponentti on suunniteltu muuntamaan syötetyt tietodokumentit tavalliseen tekstimuotoon. Tämä on erityisen hyödyllistä tekoäly- ja datankäsittelyprosesseissa, joissa tekstimuotoista dataa tarvitaan jatkokäsittelyä, analysointia tai kielimalleille syöttämistä varten.
Mitä komponentti tekee
Tämä komponentti ottaa yhden tai useamman rakenteisen dokumentin (kuten HTML, Markdown, PDF tai muut tuetut muodot) ja purkaa niistä tekstisisällön. Voit määritellä tarkasti, mitkä osat dokumenteista viedään ulos, sisällytetäänkö metatietoja ja miten dokumentin osioita tai otsikoita käsitellään. Tuloksena on yhtenäinen viestiobjekti, joka sisältää puretun tekstin ja on valmis jatkokäsittelyyn, kuten tiivistämiseen, luokitteluun tai kysymyksiin vastaamiseen.
Syötteet
Komponentti hyväksyy useita muokattavia syötteitä:
| Syötteen nimi | Tyyppi | Pakollinen | Kuvaus | Oletusarvo |
|---|---|---|---|---|
| Dokumentit | List[Document] | Kyllä | Tiedot, jotka muunnetaan tekstiksi. | N/A (käyttäjän annettava) |
| Alkaen H1 jos on | Boolean | Kyllä | Aloita purku ensimmäisestä H1-otsikosta, jos sellainen löytyy. | true |
| Lataa osoittimesta | Boolean | Kyllä | Aloita purku osoittimesta, joka parhaiten vastaa syötekyselyä, tai lataa kaikki, jos ei löydy. | true |
| Max Tokens | Integer | Ei | Tulostetekstin enimmäismerkkimäärä (tokenit). | 3000 |
| Ohita viimeinen otsikko | Boolean | Kyllä | Ohita viimeinen otsikko (usein alatunniste) tulosteen optimoimiseksi. | false |
| Strategia | String | Kyllä | Tekstin purkustrategia: yhdistä dokumentit tai sisällytä yhtä paljon jokaisesta. | “Sisällytä yhtä paljon jokaisesta dokumentista” |
| Vie sisältö | Monivalinta | Ei | Mitä sisältötyyppejä sisällytetään (esim. H1, H2, kappale). | Kaikki tyypit valittu |
| Sisällytä metatiedot | Monivalinta | Ei | Mitä metatietokenttiä sisällytetään tulosteeseen, jos saatavilla. | Product |
Käytettävissä olevat sisältötyypit: H1, H2, H3, H4, H5, H6, Kappale
Metatietovaihtoehdot: Author, Product, BreadcrumbList, VideoObject, BlogPosting, FAQPage, WebSite, opengraph
Tulosteet
Komponentti tuottaa seuraavan tulosteen:
- Viestin: Viestiobjekti, joka sisältää muunnetun tekstin ja mahdolliset sisällytetyt metatiedot.
Keskeiset ominaisuudet & hyödyt
- Joustava sisältöpurku: Hallitse tarkasti, mitkä dokumenttiesi osat puretaan (esim. vain pääotsikot ja kappaleet tai kaikki sisältö).
- Metatietojen sisällytys: Halutessasi voit lisätä rikasta metatietoa (esim. kirjoittaja, tuote tai rakenteinen data) tulosteeseen, mikä hyödyttää jatkokontekstointia.
- Token-rajojen hallinta: Voit rajoittaa tulosteen kokoa asettamalla sille enimmäistoken-määrän, jotta se sopii jatkomalleille.
- Mukautettava purkustrategia:
- Yhdistä dokumentit, täytä ensimmäisestä token-rajaan asti: Täyttää tulosteen järjestyksessä ensimmäisestä dokumentista alkaen.
- Sisällytä yhtä paljon jokaisesta dokumentista: Tasapainottaa sisällön useista dokumenteista token-rajan puitteissa.
- Älykäs osioiden käsittely: Voit ohittaa dokumentin alatunnisteet tai aloittaa purun kyselyysi sopivimmasta osiosta, mikä lisää puretun tekstin osuvuutta.
Tyypillisiä käyttötapauksia
- Tietopankkien esikäsittely tekoälymalleille (esim. ennen upotusta tai indeksointia).
- Suurten dokumenttien tiivistäminen purkamalla vain olennaiset osat.
- Rakenteisen sisällön syöttäminen chatteihin, hakukoneille tai muihin luonnollisen kielen käsittelyputkiin.
- Hybridihakujärjestelmien rakentaminen, joissa yhdistetään tekstiä ja metatietoa kattavamman kontekstin luomiseksi.
Yhteenvetotaulukko
| Ominaisuus | Kuvaus |
|---|---|
| Syötetietotyypit | Dokumenttilista |
| Tulostyyppi | Viesti (Teksti + Metatiedot) |
| Sisällön tarkkuus | Valitse mukaan otettavat otsikot/kappaleet |
| Metatietovaihtoehdot | Valitse useita metatietokenttiä vietäväksi |
| Tulosteen koon hallinta | Aseta tokenien enimmäismäärä |
| Purkustrategiat | Yhdistä tai tasapainota dokumenttien välillä |
| Osioiden valinta | Aloita H1:stä, osoittimesta tai ohita viimeinen otsikko |
Strategia
Botti voi selata useita dokumentteja luodakseen tekstitulosteen. Strategia-asetus antaa sinun hallita, miten näitä dokumentteja hyödynnetään älykkäästi pysyen token-rajan sisällä.
Tällä hetkellä kaksi mahdollista strategiaa:
- Sisällytä yhtä paljon jokaisesta dokumentista: Hyödyntää kaikkia löydettyjä dokumentteja tasapuolisesti.
- Yhdistä dokumentit, täytä ensimmäisestä token-rajaan asti: Yhdistää dokumentit priorisoiden niiden osuvuutta kyselyyn.
Kuinka liittää Dokumentista tekstiksi -komponentti työnkulkuusi
Tämä on muunninkomponentti, eli se toimii siltana kahden tulosteen välillä. Dokumentista tekstiksi ottaa Retriever-komponenttien tuottamat dokumentit:
- Document Retriever – hakee tietoa liitetyistä tietolähteistä (sivut, dokumentit jne.).
- URL Retriever – Voit määrittää URL-osoitteen, josta botti hakee tietoa.
- GoogleSearch – Mahdollistaa botille tiedon haun verkosta.
Tieto muunnetaan luettavaan Markdown-tekstiin kulkiessaan muuntimen läpi. Tämä teksti voidaan liittää seuraaviin komponentteihin, jotka tarvitsevat tekstisyötettä, kuten splitters, widgetit tai tulosteet.
Tässä on esimerkkityönkulku, jossa Dokumentista tekstiksi -komponenttia käytetään siltana Document Retrieverin ja AI Generatorin välillä:
