Transform DOCX into LLM-ready data
a year ago
- #DOCX
- #LLM
- #converter
- ContextGem内置了一个DOCX转换器，可将DOCX文件转化为适合大语言模型（LLM）处理的文档。
- 能提取复杂元素如未对齐的表格、批注、脚注、文本框、页眉/页脚及嵌入图片。
- 通过丰富的元数据保留文档结构，以优化LLM分析效果。
- 定制化原生转换器直接处理Word XML文件，无需外部依赖。
- 使用方式包括将DOCX文件或文件对象转换为ContextGem文档，或提取Markdown/原始格式文本。
- 转换流程涵盖文本、段落、标题、列表、表格、页眉/页脚、脚注、批注、文本框及图片的提取。
- 开发动机源于现有开源DOCX处理库的功能局限性。
- 当前版本限制包括：跳过字符级样式处理、嵌套表格/文本框可能出现重复内容、以及跳过图表等绘图对象。