extract_pdf
Extrae un PDF a Markdown y elementos estructurados (encabezados, párrafos) usando el motor server-pdfjs (prosa). Devuelve el objeto canónico ExtractedDocument. Nota: las tablas y bounding boxes no se reconstruyen en este motor (confidence.tables baja).
Parameters4
| url | string | required | URL http(s) del PDF a extraer. |
| outputs | array | optional | Subconjunto de salidas a incluir. Por defecto: markdown y elements. |
| mode | string | optional | fast = server-pdfjs (prosa). hybrid = server-opendataloader (tablas + bounding boxes) si está desplegado; si no, cae a fast con un warning. |
| chunkTokens | integer | optional | Tamaño objetivo de chunk en tokens (si se piden chunks). Por defecto 512. |
Raw schema
{
"type": "object",
"properties": {
"url": {
"type": "string",
"description": "URL http(s) del PDF a extraer."
},
"outputs": {
"type": "array",
"description": "Subconjunto de salidas a incluir. Por defecto: markdown y elements.",
"items": {
"type": "string",
"enum": [
"markdown",
"elements",
"chunks",
"images"
]
}
},
"mode": {
"type": "string",
"enum": [
"fast",
"hybrid"
],
"description": "fast = server-pdfjs (prosa). hybrid = server-opendataloader (tablas + bounding boxes) si está desplegado; si no, cae a fast con un warning."
},
"chunkTokens": {
"type": "integer",
"description": "Tamaño objetivo de chunk en tokens (si se piden chunks). Por defecto 512."
}
},
"required": [
"url"
],
"additionalProperties": false
}