需要安装一些依赖解析 PDF 文件的详细指南_unstructured.partition.pdf-CSDN博客文章浏览阅读1.3k次，点赞13次，收藏9次。通过 unstructured.partition.pdf 函数，可以方便地解析 PDF 文件并提取其中的文本和表格内容。尽管在使用过程中可能会遇到一些错误，但通过正确的安装和配置依赖项，以及尝试其他 PDF 解析库，可以有效地解决这些问题。本文将介绍如何使用 unstructured.partition.pdf 函数来解析 PDF 文件，并提取其中的文本和表格内容。这个错误通常表示你的 PDF 文件在解压缩过程中出现了问题，可能是由于文件损坏、格式不兼容或不支持的压缩方法等原因。_unstructured.partition.pdfhttps://blog.csdn.net/qq_28704101/article/details/140464343
解析 PDF 文档的挑战在于准确提取整个页面的布局并将内容（包括表格、标题、段落和图像）转换为文档的文本表示形式。该过程涉及处理文本提取、图像识别中的不准确以及表格中行列关系的混乱。
挑战1：如何从表格和图像中提取数据
检测到的表数据可以直接导出为HTML，导出来的表格数据可以直接被识别
挑战2：如何重新排列检测到的块？特别是对于双列PDF
在确定布局后，unstructured[3]框架会将每个页面划分为几个矩形块，如图8所示：
主流解析 PDF 的方法有以下三种：
-
基于规则的方法：每个部分的风格和内容根据文档的组织特征确定。然而，这种方法的通用性不是很强，因为 PDF 的类型和布局多种多样，不可能用预定义的规则涵盖所有类型和布局。
-
基于深度学习模型的方法：例如当前流行的结合目标检测（yolox）和OCR模型的解决方案。
-
基于多模态大型模型传递复杂结构或提取 PDF 中的关键信息。
最具代表性的工具之一是pypdf，它是一种广泛使用的基于规则的解析器。它是LangChain和LlamaIndex中用于解析PDF文件的标准方法。使用起来非常简单
# 确保已安装PyPDF2模块
try:import PyPDF2
except ImportError:import syssys.exit("Please install the PyPDF2 module first, using: pip install PyPDF2")def extract_text_from_pdf(filename, page_num):try:with open(filename, 'rb') as pdf_file:reader = PyPDF2.PdfReader(pdf_file)if page_num < len(reader.pages):page = reader.pages[page_num]text = page.extract_text()if text:return textelse:return "No text found on this page."else:return f"Page number {page_num} is out of range. This document has {len(reader.pages)} pages."except Exception as e:return f"An error occurred: {str(e)}"if __name__ == '__main__':# 示例用法filename = "/home/00_rag/fufan-chat-api/data/parse/data/1706.03762v7.pdf"page_num = 5text = extract_text_from_pdf(filename, page_num)print('--------------------------------------------------')print(f"Text from file '{filename}' on page {page_num}:")print(text if text else "No text available on the selected page.")print('--------------------------------------------------')
基于深度学习模型的方法
这种方法的优点是能够准确识别整个文档的布局，包括表格和段落。它甚至可以理解表内的结构。这意味着它可以将文档划分为定义明确、完整的信息单元，同时保留预期的含义和结构。
当前使用的是
目标检测模型
yolox 来进行读取，并且使用的是hi_res策略
if __name__ == "__main__":processor = UnstructuredProcessor()# 提取PDF中的表格数据content, table_content = processor.extract_data('/home/00_rag/fufan-chat-api/data/parse/data/invoice_2.pdf','hi_res', # 'yolox', # https://github.com/Megvii-BaseDetection/YOLOX['tables', 'unstructured'],True,True)这个rich.progress 就是来美化输出打印进度条的
from rich.progress import Progress, SpinnerColumn, TextColumn
def invoke_pipeline_step(self, task_call, task_description, local):"""执行管道步骤，可以在本地或非本地环境中运行任务。:param task_call: callable，一个无参数的函数或lambda表达式，它执行实际的任务。:param task_description: str，任务的描述，用于进度条或打印输出。:param local: bool，指示是否在本地环境中执行任务。如果为True，则使用进度条；如果为False，则仅打印任务描述。方法的执行流程：- 如果`local`为True，使用`Progress`上下文管理器来显示一个动态的进度条。- `SpinnerColumn()`：在进度条中添加一个旋转的指示器。用来表示程序还在运行中- `TextColumn("[progress.description]{task.description}")`：添加一个文本列来显示任务描述。- `transient=False`：进度条显示完成后不会消失。- 在进度条中添加一个任务，然后调用`task_call()`执行实际的任务，任务的返回结果保存在`ret`中。- 如果`local`为False，则直接打印任务描述，不使用进度条，之后调用`task_call()`执行任务，任务的返回结果同样保存在`ret`中。:return: 返回从`task_call()`获取的结果。"""if local:# 本地执行时，显示带有进度指示的进度条with Progress(SpinnerColumn(),TextColumn("[progress.description]{task.description}"),transient=False,) as progress:# 添加进度任务，总步长为None表示不确定的任务进度progress.add_task(description=task_description, total=None)# 调用task_call执行任务，并获取结果ret = task_call()else:print(task_description)ret = task_call()return ret def extract_data(self, file_path, strategy, model_name, options, local=True, debug=False):"""从指定的文件中提取数据。:param file_path: str，文件的路径，指定要处理的文件。:param strategy: 使用的策略来提取数据。:param model_name: 使用的模型名称，这里使用 目标检测模型 yolox:param options: dict，额外的选项或参数，用来干预数据提取的过程或结果。:param local: bool，一文件处理是否应在本地执行，默认为True。:param debug: bool，如果设置为True，则会显示更多的调试信息，帮助理解处理过程中发生了什么，默认为False。函数的执行流程：- 调用`invoke_pipeline_step`方法，这是一个高阶函数，它接受一个lambda函数和其他几个参数。- lambda函数调用`process_file`方法，处理文件并根据指定的策略和模型名提取数据。- `invoke_pipeline_step`方法除了执行传入的lambda函数，还可能处理本地执行逻辑，打印进程信息，并依据`local`参数决定执行环境。- 最终，数据提取的结果将从`process_file`方法返回，并由`invoke_pipeline_step`方法输出。"""# # 调用数据提取流程，处理PDF文件并提取元素elements = self.invoke_pipeline_step(lambda: self.process_file(file_path, strategy, model_name),"Extracting elements from the document...",local)if debug:new_extension = 'json' # You can change this to any extension you wantnew_file_path = self.change_file_extension(file_path, new_extension)content, table_content = self.invoke_pipeline_step(lambda: self.load_text_data(elements, new_file_path, options),"Loading text data...",local)else:with tempfile.TemporaryDirectory() as temp_dir:temp_file_path = os.path.join(temp_dir, "file_data.json")content, table_content = self.invoke_pipeline_step(lambda: self.load_text_data(elements, temp_file_path, options),"Loading text data...",local)if debug:print("Data extracted from the document:")print(content)print("\n")print("Table content extracted from the document:")if table_content:print(len(table_content))print(table_content)print(f"这是content:{content}")print(f"这是table_content:{table_content}")return content, table_content方法参数中的lambda表达式
处理文件的核心逻辑
# partition_pdf 官方文档：https://docs.unstructured.io/open-source/core-functionality/partitioning#partition-pdf
def process_file(self, file_path, strategy, model_name):"""处理文件并提取数据，支持PDF文件和图像文件。:param file_path: str，文件的路径，指定要处理的文件。:param strategy: 使用的策略来提取数据，影响数据处理的方法和结果。:param model_name: 使用的模型名称，这里使用yolox方法的执行流程：- 初始化`elements`变量为None，用来存储提取的元素。- 检查文件路径的后缀，根据文件类型调用相应的处理函数：- 如果文件是PDF（.pdf），使用`partition_pdf`函数处理：- `filename`：提供文件路径。- `strategy`：指定数据提取策略。- `infer_table_structure`：是否推断表格结构，这里设为True。- `hi_res_model_name`：提供高分辨率模型名称。- `languages`：设置处理的语言为英语。- 如果文件是图像（.jpg, .jpeg, .png），使用`partition_image`函数处理，参数类似于处理PDF的参数。- 返回提取的元素`elements`。:return: 返回从文件中提取的元素。"""# 初始化元素变量elements = None# 根据文件后缀决定处理方式# partition_pdf 官方文档：https://docs.unstructured.io/open-source/core-functionality/partitioning#partition-pdf# hi_res 策略配合 infer_table_structure=True 的表格识别效果较好if file_path.lower().endswith('.pdf'):elements = partition_pdf(filename=file_path,# strategy kwarg 控制用于处理 PDF 的方法。 PDF 的可用策略有 "auto" 、 "hi_res" 、 "ocr_only" 和 "fast"strategy=strategy,# 是否提取表格的格式化信息infer_table_structure=True,# 使用的模型名称hi_res_model_name=model_name,# chi_sim表示使用哪种语言来进行解析languages=['chi_sim'])elif file_path.lower().endswith(('.jpg', '.jpeg', '.png')):# 处理图像文件elements = partition_image(filename=file_path,strategy=strategy,infer_table_structure=True,hi_res_model_name=model_name,languages=['chi_sim'])return elements 
这个是更改文件拓展名，生成一个新的文件路径
def change_file_extension(self, file_path, new_extension, suffix=None):# Check if the new extension starts with a dot and add one if notif not new_extension.startswith('.'):new_extension = '.' + new_extension# Split the file path into two parts: the base (everything before the last dot) and the extension# If there's no dot in the filename, it'll just return the original filename without an extensionbase = file_path.rsplit('.', 1)[0]# Concatenate the base with the new extensionif suffix is None:new_file_path = base + new_extensionelse:new_file_path = base + "_" + suffix + new_extensionreturn new_file_path加载里面的数据
def load_text_data(self, elements, file_path, options):# 手动将元素保存到 JSON 文件中，确保使用 ensure_ascii=Falsewith open(file_path, 'w', encoding='utf-8') as file:json.dump([e.to_dict() for e in elements], file, ensure_ascii=False)content, table_content = None, Noneif options is None:content = self.process_json_file(file_path)# 判断是加载全部信息，还是仅仅表格的信息if options and "tables" in options and "unstructured" in options:content = self.process_json_file(file_path, "form")table_content = self.process_json_file(file_path, "table")return content, table_contentdef process_json_file(self, file_path, option=None):# Read the JSON filewith open(file_path, 'r', encoding='utf-8') as file:data = json.load(file)# Iterate over the JSON data and extract required elementsextracted_elements = []for entry in data:if entry["type"] == "Table" and (option is None or option == "table" or option == "form"):table_data = entry["metadata"]["text_as_html"]if option == "table" and self.table_has_header(table_data):extracted_elements.append(table_data)if option is None or option == "form":extracted_elements.append(table_data)elif entry["type"] == "Title" and (option is None or option == "form"):extracted_elements.append(entry["text"])# 叙述文本elif entry["type"] == "NarrativeText" and (option is None or option == "form"):extracted_elements.append(entry["text"])# 未分类elif entry["type"] == "UncategorizedText" and (option is None or option == "form"):extracted_elements.append(entry["text"])elif entry["type"] == "ListItem" and (option is None or option == "form"):extracted_elements.append(entry["text"])elif entry["type"] == "Image" and (option is None or option == "form"):extracted_elements.append(entry["text"])if option is None or option == "form":# Convert list to single string with two new lines between each elementextracted_data = "\n\n".join(extracted_elements)return extracted_datareturn extracted_elements