Guias

Preparando PDF, Word e Excel em Markdown Limpo para RAG e LLMs

Converta PDFs confidenciais, documentos DOCX do Word e planilhas Excel em Markdown estruturado para RAG e LLMs 100% no navegador.

2 min de leitura

Resposta rápida: LLMs e bancos vetoriais segmentam Markdown semântico com precisão muito superior a arquivos binários `.pdf`, `.docx` ou `.xlsx`, pois títulos, listas e tabelas GFM preservam a hierarquia. O TxtTo extrai PDF.js, estilos OOXML e planilhas localmente na RAM do navegador.

Por que a extração bruta de PDF/DOCX prejudica a precisão do RAG

Bancos vetoriais recuperam mal parágrafos relevantes quando documentos entram como blocos desestruturados cheios de quebras no meio da frase, números de página repetidos e tabelas achatadas.

Markdown semântico (`#` títulos, `-` listas, `[links](url)` e grades `| tabela |`) permite que chunkers dividam exatamente pelas fronteiras de seção preservando o título em cada embedding.

  • Heurísticas de tamanho de fonte restauram títulos `#` e `##` do texto visual do PDF.
  • Quebras no meio das frases voltam a formar parágrafos contínuos de prosa.
  • Cabeçalhos e rodapés repetidos de página são filtrados automaticamente.

Extraindo PDFs localmente com PDF.js auto-hospedado

Enviar apresentações de diretoria, contratos jurídicos ou especificações internas para conversores de PDF externos expõe propriedade intelectual. O TxtTo executa um worker PDF.js auto-hospedado direto da sua origem sem requisições a CDNs.

Cada PDF é extraído na RAM do navegador, transformando documentos multipáginas em Markdown estruturado pronto para embedding ou prompts.

Extrair PDF para Markdown localmente

Extração em TypeScript puro de Word (.docx) e Excel (.xlsx)

Arquivos `.docx` do Word já guardam estilos explícitos `Heading1`, hiperlinks, listas e grades `<w:tbl>` dentro de `word/document.xml`. Ler o OOXML diretamente preserva a estrutura descartando mídias pesadas embutidas.

Da mesma forma, pastas do Excel convertem em tabelas GFM alinhadas para que LLMs leiam linhas financeiras multicolunas sem perder o cabeçalho.

markdown
## Q3 Architecture Metrics

| Region | Latency (ms) | Availability |
| :--- | :--- | :--- |
| US-East | 38.4 | 99.99% |
| EU-West | 42.1 | 99.98% |

Converter Word (.docx) para Markdown GFM

Calculando o orçamento de chunks com contador de tokens offline

Depois que seus documentos estiverem em Markdown limpo, confira o total de tokens nas janelas de contexto do GPT-5, Claude 4 ou Gemini 2.5 antes de gerar chunks ou enviar prompts.

Transformar abas do Excel em tabelas Markdown

Referências

Perguntas frequentes

A extração local sem OCR lê PDFs escaneados só com imagem?

Não. A extração client-side de PDF lê camadas de texto selecionável com fidelidade; digitalizações puras em imagem sem texto embutido exigem OCR.

O conversor Word para Markdown mantém hiperlinks e listas numeradas?

Sim. As relações em word/_rels/document.xml.rels resolvem links Markdown clicáveis enquanto definições de numeração reconstroem listas com marcadores e números.

Por que usar tabelas Markdown em vez de CSV bruto dentro de documentos RAG longos?

Tabelas Markdown com pipe se integram bem no meio da prosa sem quebrar a hierarquia de títulos durante a divisão de chunks ciente de Markdown.

Formatos relacionados

Comparativos relacionados

Guias relacionados