Guides
Préparer PDF, Word & Excel en Markdown propre pour RAG & LLM
Transformez PDF confidentiels, Word DOCX et feuilles Excel en Markdown structuré pour le découpage vectoriel RAG et les LLM — 100 % en local.
Réponse rapide: Les LLM et bases vectorielles découpent bien plus fidèlement le Markdown sémantique que les binaires `.pdf`, `.docx` ou `.xlsx`, car titres et tableaux GFM restent intacts. TxtTo analyse PDF.js, styles OOXML et classeurs Excel localement en RAM pour produire du Markdown prêt pour le RAG.
Pourquoi l'extraction brute PDF/DOCX dégrade le RAG
Les bases vectorielles peinent à retrouver le bon passage lorsque les documents arrivent en texte plat encombré de coupures de ligne PDF en milieu de phrase, numéros de page répétés et tableaux aplatis.
Un Markdown sémantique (titres `#`, listes `-`, `[liens](url)` et tableaux `| ... |`) permet un découpage fidèle aux sections afin que chaque vecteur garde son titre parent.
- La taille de police reconstruit les niveaux `#` et `##` depuis les PDF visuels.
- Les retours à la ligne cassés fusionnent en paragraphes continus.
- En-têtes et pieds de page répétés sont filtrés automatiquement.
Extraire des PDF localement avec PDF.js auto-hébergé
Envoyer comptes rendus, contrats ou spécifications internes sur des convertisseurs en ligne expose votre propriété intellectuelle. TxtTo exécute un worker PDF.js auto-hébergé depuis votre propre origine sans aucune requête CDN externe.
Chaque PDF est traité en RAM navigateur pour transformer des rapports multipages en Markdown structuré prêt pour l'indexation ou vos prompts.
Extraction Word (.docx) & Excel (.xlsx) en pur TypeScript
Les archives Word `.docx` contiennent déjà des styles explicites `Heading1`, liens, listes et tableaux `<w:tbl>` dans `word/document.xml`. Lire l'OOXML directement préserve la structure tout en écartant les médias lourds.
De même, les classeurs Excel se convertissent en tableaux GFM alignés afin que les LLM lisent chaque ligne financière sans perdre ses en-têtes.
## Q3 Architecture Metrics
| Region | Latency (ms) | Availability |
| :--- | :--- | :--- |
| US-East | 38.4 | 99.99% |
| EU-West | 42.1 | 99.98% |Budgéter la taille des chunks avec un compteur hors ligne
Une fois vos documents convertis en Markdown propre, mesurez le total exact de jetons pour GPT-5, Claude 4 ou Gemini 2.5 avant de découper ou d'envoyer vos prompts.
Références
Questions fréquentes
L'extraction locale sans OCR lit-elle les PDF scannés sous forme d'images ?
Non. L'extraction côté client lit proprement la couche texte sélectionnable ; les scans purement graphiques sans texte intégré exigent une étape OCR préalable.
Word to Markdown conserve-t-il les liens et listes numérotées ?
Oui. Les relations de word/_rels/document.xml.rels résolvent les liens Markdown cliquables et les définitions de numérotation reconstruisent puces et listes ordonnées.
Pourquoi préférer les tableaux Markdown au CSV brut dans de longs documents RAG ?
Les tableaux Markdown s'intègrent naturellement dans le document sans briser la hiérarchie des titres lors du découpage par sections.
Formats associés
Comparatifs associés
Guides associés
- Markdown vers PDF & PDF vers TXT : flux documentaires hors ligneExportez Markdown en PDF A4 ou Letter avec prise en charge CJK et extrayez du texte brut ou Markdown propre depuis des PDF locaux via PDF.js.
- Convertir des e-books EPUB en Markdown pour Obsidian & l'étude IADécompressez vos EPUB sans DRM localement en notes Markdown Obsidian ou en ZIP par chapitres — avec titres, liens et texte fluide.
- Créer des jeux d'entraînement JSONL valides depuis CSV & JSONFormatez des fichiers .jsonl valides pour OpenAI Chat, Alpaca et Gemini depuis vos tableurs et tableaux JSON en local avec contrôle ligne par ligne.