指南

將 PDF、Word 與 Excel 整理為適用於 RAG 與 LLM 的乾淨 Markdown

100% 於本機將機密 PDF、Word DOCX 文件與 Excel 工作表轉成結構化 Markdown,提升向量切分與大模型上下文精準度。

2 分鐘閱讀

快速解答: 大型語言模型與向量資料庫切分語意明確的 Markdown 時,檢索品質遠勝於原始 `.pdf`、`.docx` 或 `.xlsx` 二進位檔。TxtTo 在瀏覽器記憶體中透過自託管 PDF.js、OOXML 與多工作表引擎,將文件本地轉為 RAG 就緒的標準 Markdown。

為什麼陽春擷取的 PDF/DOCX 會破壞 RAG 檢索準確率

當文件以充滿句中 PDF 斷行、重複頁碼與散裂表格列的無結構純文字塊送入向量資料庫時,RAG 檢索召回的段落品質往往大幅下降。

語意化的 Markdown(`#` 標題、`-` 清單、`[連結](url)` 與 `| 表格 |`)能讓文件切分器沿著章節邊界精準分段,使每段向量都保留所屬章節標題。

  • 字級啟發式演算法從視覺 PDF 文字還原 `#` 與 `##` 標題層級。
  • 自動合併句中誤折的斷行,恢復流暢連貫的散文段落。
  • 自動偵測並濾除每頁重複出現的頁首與頁尾。

透過自託管 PDF.js 在本機安全擷取 PDF

將董事會簡報、法務合約或內部規格書上傳至第三方 PDF 轉換網站會帶來機密外洩風險。TxtTo 直接從本站同源提供自託管 PDF.js Worker,完全不發送外部 CDN 請求。

每份 PDF 皆直接於瀏覽器記憶體中解析,將多頁文件快速轉為可直接建置向量索引或貼入提示詞的結構化 Markdown。

在本機將 PDF 擷取為 Markdown

純 TypeScript 擷取 Word (.docx) 與 Excel (.xlsx)

Word `.docx` 壓縮檔內的 `word/document.xml` 本就記錄了明確的 `Heading1` 樣式、超連結、清單與 `<w:tbl>` 表格結構。直接解析 OOXML 能乾淨保留結構並捨棄肥大的內嵌圖片。

同樣地,Excel 活頁簿也能直接轉換為欄位對齊的 GFM 管線表格,確保 LLM 讀懂多欄財務資料而不遺失欄位標題。

markdown
## Q3 Architecture Metrics

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

將 Word (.docx) 轉為 GFM Markdown

使用離線 Token 計算器規劃切分區塊大小

文件整理為乾淨 Markdown 後,在切分向量塊或送出提示詞前,可先在本地檢查相對於 GPT-5、Claude 4 與 Gemini 2.5 上下文視窗的總 Token 數。

將 Excel 工作表轉成 Markdown 表格

參考資料

常見問題

免上傳的本機擷取能讀取純圖片掃描版 PDF 嗎?

不能。用戶端 PDF 擷取讀取的是內嵌的可選取文字層;不含文字層的純影像掃描檔仍需要 OCR 辨識。

Word 轉 Markdown 會保留超連結與編號清單嗎?

會的。word/_rels/document.xml.rels 中的關聯紀錄會還原可點擊的 Markdown 連結,而編號定義則會重建項目符號與有序清單。

為何在長篇 RAG 文件中建議採用 Markdown 表格而非原始 CSV?

Markdown 管線表格能自然融入內文之中,在進行依據 Markdown 標題切分的分段處理時不會破壞周遭的標題階層結構。

相關格式

相關方案比較

相關指南