الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

باستخدام PymupDF في بيئة chatbot RAC

يحتوي هذا المستودع على أمثلة توضح كيف يمكن استخدام pymupdf كخلاص بيانات لـ chatbots المستندة إلى القطع.

ومن الأمثلة على ذلك البرامج النصية التي تبدأ chatbots - إما كبرامج CLI بسيطة في وضع REPL أو واجهة المستخدم الرسومية القائمة على المتصفح. تتبع نصوص chatbot هذا الهيكل العام:

  1. استخراج النص : استخدم pymupdf لاستخراج النص من صفحة أو أكثر من واحدة أو أكثر من ملفات PDF. اعتمادًا على المتطلبات المحددة ، قد يكون هذا كل النص أو النص الوارد في الجداول ، وجدول المحتويات ، وما إلى ذلك. سيتم تنفيذ هذا عمومًا كواحدة أو أكثر من وظائف Python التي تسمى أي من الأحداث التالية - والتي تنفذ وظيفة chatbot الفعلية.
  2. فهرسة النص المستخرج : فهرس النص المستخرج لاسترجاع فعال. سيكون هذا الفهرس بمثابة قاعدة المعرفة لـ chatbot.
  3. معالجة الاستعلام : عندما يسأل المستخدم سؤالًا ، قم بمعالجة الاستعلام لتحديد المعلومات الرئيسية اللازمة للرد.
  4. استرجاع المعلومات ذات الصلة : ابحث في قاعدة المعرفة المفهرسة للحصول على أكثر المعلومات ذات الصلة المتعلقة باستعلام المستخدم.
  5. توليد استجابة : استخدم نموذجًا توليديًا لإنشاء استجابة بناءً على المعلومات التي تم استردادها.

تثبيت

حزمة Python على pypi pymupdf4llm (هناك أيضًا اسم مستعار pdf4llm) قادر على تحويل صفحات pdf إلى سلاسل نصية بتنسيق تخفيض (github متوافق). يتضمن ذلك نصًا قياسيًا ونصًا قائمًا على الجدول في طريقة عرض متسقة ومتكاملة - وهي ميزة مهمة بشكل خاص في إعدادات الخرقة. 

$ pip install -U pymupdf4llm

سيقوم هذا الأمر تلقائيًا بتثبيت pymupdf إذا لزم الأمر.

ثم في البرنامج النصي الخاص بك افعل 

 import pymupdf4llm

md_text = pymupdf4llm . to_markdown ( "input.pdf" )

# now work with the markdown text, e.g. store as a UTF8-encoded file
import pathlib
pathlib . Path ( "output.md" ). write_bytes ( md_text . encode ())

بدلاً من سلسلة اسم الملف على النحو الوارد أعلاه ، يمكن للمرء أيضًا توفير Document PymupDF. بشكل افتراضي ، ستتم معالجة جميع الصفحات في PDF. إذا رغبت في ذلك ، يمكن استخدام pages=[...] لتوفير قائمة بأرقام الصفحات القائمة على الصفر للنظر فيها.

إنشاء نص مقلوب الآن يعالج صفحات متعددة العمود .

لإنشاء أجزاء صغيرة من النص - بدلاً من إنشاء سلسلة كبيرة واحدة للوثيقة بأكملها - يمكن استخدام خيار (V0.0.2) الجديد (V0.0.2) page_chunks=True . ستكون نتيجة .to_markdown("input.pdf", page_chunks=True) قائمة بقواميس بيثون ، واحدة لكل صفحة.

الجديد أيضًا في الإصدار 0.0.2 هو الاستخراج الاختياري للصور ورسومات المتجهات: استخدام المعلمة write_images=True . سوف تخزن صور PNG في مجلد المستند ، وسوف يشير نص Markdown بشكل مناسب إليها. تتم تسمية الصور مثل "input.pdf-page_number-index.png" .

الوثائق و API

الوثائق

API

دعم الوثيقة

على الرغم من أن PDF هو تنسيق المستندات الأكثر أهمية في جميع أنحاء العالم ، إلا أنه من المفيد الإشارة إلى أن جميع الأمثلة والبرامج النصية المساعد تعمل بنفس الطريقة ودون تغيير لجميع أنواع الملفات المدعومة.

لذلك بالنسبة لمستند XPS أو كتابًا إلكترونيًا ، ما عليك سوى توفير اسم الملف على سبيل المثال كـ "input.mobi" وسيعمل كل شيء آخر كما كان من قبل.

حول pymupdf

يضيف Pymupdf روابط Python والتجريد إلى MUPDF ، PDF خفيفة الوزن ، XPS ، و Viewer ، العارض ، ومجموعة الأدوات. يتم الحفاظ على كل من PymupDF و MUPDF وتطويره بواسطة Artifex Software ، Inc.

تقع الصفحة الرئيسية لـ Pymupdf على Github.

مجتمع

انضم إلينا على Discord هنا: #pymupdf.

الترخيص وحقوق الطبع والنشر

يتوفر PymupDF بموجب اتفاقيات AGPL مفتوحة المصدر واتفاقيات الترخيص التجاري. إذا حددت أنه لا يمكنك تلبية متطلبات AGPL ، فيرجى الاتصال بـ Artifex للحصول على مزيد من المعلومات فيما يتعلق بالترخيص التجاري.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل