随着人工智能在处理海量文本方面的应用越来越广泛，PDF 文件却成为了一项挑战。PDF 是一种二进制格式，其中的文本通常经过压缩，或者由绘制命令组成，LLM（大型语言模型）无法直接理解这些内容。
要让 AI 处理和解析 PDF 文件，必须先进行预处理，以提取其中的文本内容。像 GPT-4 这样的 LLM 依赖于纯文本输入，因此我们需要先将 PDF 转换为可解析的格式。
我们的 Java PDF 库 JPedal 正是为此而生！它支持多种输出格式，包括 HTML、JSON、TXT 和 XML，这些都是 AI 训练和处理模型时常用的格式。
对于大多数 PDF 文件，我们只能提取纯文本。但某些 PDF 包含结构化内容标签，用于定义文档的语义结构。对于这些文件，我们可以导出 HTML、JSON 或 XML 格式的数据。
使用 JPedal 处理此类文件，可以参考以下代码示例：
final String password = null; // 无需密码时设为 null
final ErrorTracker tracker = null; // 可实现 ErrorTracker 以监控提取过程
ExtractStructuredTextProperties properties = new ExtractStructuredTextProperties();
properties.setFileOutputMode(OutputModes.XML);
ExtractStructuredText.
writeAllStructuredTextOutlinesToDir("inputFileOrFolder", password, "outputFolder", tracker, properties);
本文介绍了如何处理 PDF 以便 AI 解析。你可以进一步了解如何从 PDF 文件中提取文本。