Roteador de Conversão de PDF

Encaminhe toda conversão de PDF por uma etapa curta de análise antes de escolher ferramentas ou flags de CLI.

O objetivo não é "extrair o máximo de texto". O objetivo é:

• preservar a estrutura
• preservar a ligação entre rótulos e valores
• escolher a forma de saída mais fiel
• evitar padrões barulhentos quando uma rota melhor existe

Quando Usar

• O usuário quer um PDF convertido para outro formato.
• A saída solicitada é .md, .html, .txt, .json, .docx, ou notas estruturadas.
• O PDF pode ser escaneado, com muito OCR, com muitas tabelas, baseado em slides, médico, acadêmico ou com múltiplas colunas.

Regra Principal

Nunca comece com um pipeline padrão fixo.

Sempre:

1. classifique o PDF
2. classifique a saída alvo
3. escolha a rota mais forte para essa combinação
4. valide o resultado em seções representativas
5. se necessário, tente novamente com melhores configurações antes de entregar

Heurísticas são pontos de partida, não garantias.

Não promova uma combinação de flags para um padrão universal apenas porque funcionou bem em um PDF. Prefira evidências específicas do documento sobre o hábito.

Regra do Motor Primário

Use opendataloader-pdf como o motor de conversão primário para toda tarefa de conversão de PDF por padrão.

Esta habilidade deve assumir:

• opendataloader-pdf é sempre a primeira tentativa de conversão
• outras ferramentas são usadas para classificar, validar, OCR, inspecionar ou dar suporte à limpeza
• outros extratores não são o substituto padrão para a rota de conversão principal

Use outras ferramentas apenas por um destes motivos:

• classificação rápida do PDF
• pré-processamento de OCR antes da conversão
• validação contra texto que preserva o layout
• reparo manual quando a saída gerada ainda está barulhenta
• fallback apenas se opendataloader-pdf não puder produzir um resultado utilizável

Etapa 1: Classificar o PDF de Origem

Identifique a classe do documento o mais rápido possível:

• PDF digital nativo com texto selecionável
• PDF com OCR e texto barulhento
• PDF apenas de imagem/escaneado
• Exportação de apresentação de slides / apresentação
• Relatório médico ou de laboratório
• Documento de negócios/financeiro com muitas tabelas
• Relatório narrativo / carta / artigo
• Documento com layout misto com diagramas, tabelas e prosa

Verificações rápidas úteis:

pdfinfo input.pdf
pdftotext -layout input.pdf -

Se o texto estiver faltando ou for muito ruim, trate o OCR como obrigatório.

Heurísticas de Tipo de Documento

Use estas como pontos de partida padrão:

• relatório médico / de laboratório markdown-with-html + --table-method cluster + --image-output off

• exportação de apresentação de slides / PowerPoint markdown-with-html + --image-output off adicione --table-method cluster apenas se a rota padrão subestruturar conteúdo tabular importante se as tabelas forem visualmente óbvias, mas estiverem faltando ou mal fundidas, trate isso como um problema de detecção, não um problema de formatação de Markdown se a rota selecionada já reconstruir uma tabela real, mas cortar caracteres iniciais nas bordas das colunas, trate isso como um defeito de divisão de borda, não uma falha de tabela ausente

• narrativo / artigo / carta comece com markdown ou text use markdown-with-html apenas se a estrutura claramente importar

• PDF de negócios / financeiro com muitas tabelas comece com markdown-with-html adicione --table-method cluster quando linhas ou colunas se achatam

• PDF escaneado / com muitas imagens faça OCR primeiro, depois converta com opendataloader-pdf

• PDF de layout misto prefira markdown-with-html valide uma seção fácil e uma seção difícil antes de aceitar a saída

Etapa 2: Escolher a Forma da Saída

Escolha a saída que melhor se adapta ao documento e ao objetivo do usuário.

• markdown-with-html Use por padrão quando o usuário quiser Markdown e a fidelidade importar. Prefira isso para tabelas, relatórios médicos, slides, PDFs de layout misto e qualquer coisa que provavelmente quebrará em Markdown puro.

• markdown Use apenas quando o Markdown limpo e simples importar mais do que a fidelidade do layout.

• html Use quando a estrutura visual importar mais do que a legibilidade do LLM.

• text Use para extração linear rápida, documentos narrativos ou quando a estrutura não for importante.

• json Use quando o processamento de máquina downstream importar mais do que a legibilidade humana.

• docx Use quando o usuário quiser uma saída de escritório editável e a reconstrução do layout importar.

Etapa 3: Escolher a Rota de Extração

Para OpenDataLoader CLI

Use OpenDataLoader como a rota padrão.

Padrões preferidos:

• Para saída Markdown com prioridade de fidelidade: -f markdown-with-html

• Para PDFs médicos: adicione --table-method cluster

• Para PDFs com muitas tabelas: adicione --table-method cluster

• Para apresentações de slides: comece sem --table-method cluster

…