指南

在本地将 PDF、Word 与 Excel 整理为 RAG 与大模型适用的纯净 Markdown

100% 在本地将机密 PDF、Word DOCX 与 Excel 工作表转为结构清晰的 Markdown,精准保留标题层级与表格,提升 RAG 切分质量。

2 分钟阅读

快速解答: 大模型与向量数据库切分结构化 Markdown 时,召回准确率显著高于直接读取 `.pdf`、`.docx` 或 `.xlsx` 原始二进制文件。TxtTo 在浏览器内存中通过自托管 PDF.js、OOXML 与多工作表解析引擎,将文档本地转换为适合 RAG 分块的规范 Markdown。

为什么直接粗暴提取 PDF/DOCX 会破坏 RAG 检索召回率

如果向量数据库入库的是毫无结构、充满句中硬换行、每页重复页眉页码以及散架表格行的大段纯文本,检索片段的语义就会支离破碎。

保留了语义 Markdown(`#` 标题、`-` 列表、`[链接](url)` 与 `| 表格 |`)的文档能让切分器严格沿着章节边界切块,确保每段向量块都带着清晰的上下文标题。

  • 字号启发式算法从 PDF 视觉文本中还原 `#` 与 `##` 标题层级。
  • 自动合并句中多余断行,恢复连贯自然的散文段落。
  • 自动探测并过滤每页反复出现的页眉与页脚噪声。

利用自托管 PDF.js 在本地安全提取机密 PDF

把董事会报告、法务合同或内部架构设计传给第三方在线 PDF 转换器存在严重的泄密隐患。TxtTo 从本站同源直接加载自托管 PDF.js Worker,没有任何外部 CDN 请求。

整份 PDF 全程只在您本机浏览器内存中解析,瞬间把多页简报输出为适合向量入库或提示词粘贴的 Markdown。

在本地将 PDF 提取为 Markdown

纯 TypeScript 解析 Word (.docx) 与 Excel (.xlsx)

Word `.docx` 压缩包内的 `word/document.xml` 本身就存有明确的 `Heading1` 标题样式、超链接、列表编号与 `<w:tbl>` 表格结构。直接解析 OOXML 能精准保留语义结构,同时丢弃臃肿的内嵌图片二进制。

同理,Excel 工作簿也能直接输出为列对齐的 GFM 管道表格,让大模型准确对齐财务报表的多列指标而不串行。

markdown
## Q3 Architecture Metrics

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

将 Word (.docx) 转为 GFM Markdown

用离线 Token 计数器核对切块大小与预算

文档转为纯净 Markdown 后,可在向量切分或调用模型前先离线估算在 GPT-5、Claude 4 与 Gemini 2.5 下的 Token 总占用。

将 Excel 工作表转为 Markdown 表格

参考资料

常见问题

本地免上传提取能识别纯图片扫描版 PDF 吗?

不能。客户端 PDF 提取读取的是 PDF 内部嵌入的可选中文字层;没有文字层的纯拍照扫描件需要 OCR 才能识别文字。

Word 转 Markdown 会保留超链接和有序列表吗?

会的。解析器会读取 word/_rels/document.xml.rels 还原可点击 Markdown 链接,并根据编号定义重建无序和有序列表。

为什么长篇 RAG 文档里更推荐使用 Markdown 表格而不是原始 CSV?

Markdown 管道表格能自然嵌入正文章节中,在进行基于 Markdown 标题的文档切块时不会打断上下文结构。

相关格式

相关方案对比

相关指南