PDF Files

PDF（便携式文档格式）是由Adobe开发的一种文件格式，用于在各种软件平台上一致地呈现文档。此模块提供了使用pdf.js加载和处理PDF文件的功能。

此模块提供了一个功能强大的PDF文档加载器，该加载器能够：

• 加载单个或多个PDF文件

• 按页面或文件拆分文档

• 支持base64编码的文件

• 处理文件存储集成

• 使用文本分割工具处理内容

• 支持旧版PDF格式

• 自定义元数据提取

输入

必填参数

• PDF文件：要处理的PDF文件（扩展名为.pdf）

• 使用方法：请在以下选项中选择：

  • 每页一个文件 每个文件一个文档

可选参数

• 文本分割器：用于处理提取内容的文本分割器

• 使用旧版构建：是否使用旧版PDF.js构建

• 附加元数据：包含附加元数据的JSON对象

• 省略元数据键：以逗号分隔的需省略的元数据键列表

输出

• Document：包含元数据和页面内容的文档对象数组

• 文本：来自文档的pageContent的拼接字符串

功能

• 支持多种文件格式

• 页面级拆分

• 旧版支持 文本提取

• 元数据处理

• 错误处理

• 内存高效处理

处理模式

每页模式

• 每页都成为一个文档

• 保留页码

• 单个页面元数据

• 精细内容访问

按文件模式

• 整个PDF作为一个文件

• 组合内容

• 单一元数据集

• 内存效率高

文档结构

每份文件包含：

• pageContent：提取的文本内容

• 元数据：

  • 来源：原始文件路径

  • pdf：PDF特定元数据

  • page: 页码（在逐页模式下）

  • 额外的自定义元数据

文件处理

本地文件

• 直接文件加载

• Base64编码的内容

• 支持多个文件

存储集成

• 文件存储系统支持

• 基于组织的存储

• 基于Chatflow的存储

注意事项

• 使用pdf.js进行提取

• 旧版本支持

• 内存高效处理

• 无效文件的错误处理

• 支持大尺寸PDF文件

• 输出格式灵活

• 元数据定制

• 文本编码处理