LLM之RAG实战(二十九)| 探索RAG PDF解析

       对于RAG来说,从文档中提取信息是一种不可避免的场景,确保从源文件中提取出有效的内容对于提高最终输出的质量至关重要。

       文件解析过程在RAG中的位置如图1所示:

       在实际工作中,非结构化数据比结构化数据丰富得多。如果这些海量数据无法解析,它们的巨大价值将无法实现。在非结构化数据中,PDF文档占大多数。有效地处理PDF文档还可以极大地帮助管理其他类型的非结构化文档。

       本文主要介绍解析PDF文件的方法,为有效解析PDF文档和提取尽可能多的有用信息提供了算法和参考。

一、解析PDF的挑战

       PDF文档是非结构化文档的代表,然而,从PDF文档中提取信息是一个具有挑战性的过程。

       将PDF描述为输出指令的集合更准确,而不是数据格式。PDF文件由一系列指令组成,这些指令指示PDF阅读器或打印机在屏幕或纸张上显示符号的位置和方式,这与HTML和docx等文件格式形成对比,后者使用<p>、<w:p>、<table>和<w:tbl>等标记来组织不同的逻辑结构,如图2所示:

       解析PDF文档的挑战在于准确提取整个页面的布局,并将包括表格、标题、段落和图像在内的内容翻译成文档的文本表示。这个过程涉及到处理文本提取、图像识别中的不准确之处,以及表中行-列关系的混乱。

二、如何解析PDF文档

一般来说,解析PDF有三种方法:

  • 基于规则的方法:根据文档的组织特征确定每个部分的风格和内容。然而,这种方法不是很通用,因为PDF有很多类型和布局,不可能用预定义的规则覆盖所有类型和布局。
  • 基于深度学习模型的方法:例如将目标检测OCR模型相结合的流行解决方案。
  • 基于多模态大模型对复杂结构进行Pasing或提取PDF中的关键信息。

2.1 基于规则的方法

       pypdf[1]就是一种基于规则广泛使用的解析器,也是LangChainLlamaIndex中解析PDF文件的标准方法。

      以下是使用pypdf解析“Attention Is All You Need”[2]论文的第6页。原始页面如图3所示:

代码如下:

import PyPDF2filename = "/Users/Florian/Downloads/1706.03762.pdf"pdf_file = open(filename, 'rb')reader = PyPDF2.PdfReader(pdf_file)page_num = 5page = reader.pages[page_num]text = page.extract_text()print('--------------------------------------------------')print(text)pdf_file.close()

执行的结果是(为了简洁起见,省略了其余部分):

(py) Florian:~ Florian$ pip list | grep pypdfpypdf                    3.17.4pypdfium2                4.26.0(py) Florian:~ Florian$ python /Users/Florian/Downloads/pypdf_test.py--------------------------------------------------Table 1: Maximum path lengths, per-layer complexity and minimum number of sequential operationsfor different layer types. nis the sequence length, dis the representation dimension, kis the kernelsize of convolutions and rthe size of the neighborhood in restricted self-attention.Layer Type Complexity per Layer Sequential Maximum Path LengthOperationsSelf-Attention O(n2·d) O(1) O(1)Recurrent O(n·d2) O(n) O(n)Convolutional O(k·n·d2) O(1) O(logk(n))Self-Attention (restricted) O(r·n·d) O(1) O(n/r)3.5 Positional EncodingSince our model contains no recurrence and no convolution, in order for the model to make use of theorder of the sequence, we must inject some information about the relative or absolute position of thetokens in the sequence. To this end, we add "positional encodings" to the input embeddings at thebottoms of the encoder and decoder stacks. The positional encodings have the same dimension dmodelas the embeddings, so that the two can be summed. There are many choices of positional encodings,learned and fixed [9].In this work, we use sine and cosine functions of different frequencies:PE(pos,2i)=sin(pos/100002i/d model)PE(pos,2i+1)=cos(pos/100002i/d model)where posis the position and iis the dimension. That is, each dimension of the positional encodingcorresponds to a sinusoid. The wavelengths form a geometric progression from 2πto10000 ·2π. Wechose this function because we hypothesized it would allow the model to easily learn to attend byrelative positions, since for any fixed offset k,PEpos+kcan be represented as a linear function ofPEpos..........

       从上述基于PyPDF检测的结果来看,可以观察到它在不保留结构信息的情况下将PDF中的字符序列序列化为单个长序列。换句话说,它将文档的每一行都视为一个由换行符“\n”分隔的序列,这会妨碍段落或表格的准确识别。

       这种限制是基于规则的方法的固有特征。

2.2 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。它甚至可以理解表中的结构。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。

       然而,这种方法也有一些局限性,目标检测和OCR阶段可能很耗时。因此,建议使用GPU或其他加速设备,并使用多个进程和线程进行处理。

       这种方法涉及目标检测和OCR模型,我测试了几个有代表性的开源框架:

  • Unstructured[3]:它已集成到langchain中[4]。使用hi_res策略设置infer_table_structure=True可以很好的识别表格信息。然而,fast策略因为不使用目标检测模型,在识别图像和表格方面表现较差。
  • Layout-parser[5]:如果需要识别复杂的结构化PDF,建议使用最大的模型以获得更高的精度,尽管它可能会稍微慢一些。此外,Layout解析器的模型[6]在过去两年中似乎没有更新。
  • PP-StructureV2[7]:可以组合各种模型用于文档分析,性能高于平均水平。体系结构如图4所示:

      除了开源工具,还有像ChatDOC这样的付费工具,它们利用基于布局的识别+OCR方法来解析PDF文档。

      接下来,我们将使用开源unstructured[3]解析PDF,解决三个关键挑战。

挑战1:如何从表格和图像中提取数据

      在这里,我们将使用unstructured[3]框架作为示例,检测到的表数据可以直接导出为HTML。其代码如下:

from unstructured.partition.pdf import partition_pdffilename = "/Users/Florian/Downloads/Attention_Is_All_You_Need.pdf"# infer_table_structure=True automatically selects hi_res strategyelements = partition_pdf(filename=filename, infer_table_structure=True)tables = [el for el in elements if el.category == "Table"]print(tables[0].text)print('--------------------------------------------------')print(tables[0].metadata.text_as_html)

         partition_pdf函数的内部流程如下图5所示:

         代码的运行结果如下:

Layer Type Self-Attention Recurrent Convolutional Self-Attention (restricted) Complexity per Layer O(n2 · d) O(n · d2) O(k · n · d2) O(r · n · d) Sequential Maximum Path Length Operations O(1) O(n) O(1) O(1) O(1) O(n) O(logk(n)) O(n/r)--------------------------------------------------<table><thead><th>Layer Type</th><th>Complexity per Layer</th><th>Sequential Operations</th><th>Maximum Path Length</th></thead><tr><td>Self-Attention</td><td>O(n? - d)</td><td>O(1)</td><td>O(1)</td></tr><tr><td>Recurrent</td><td>O(n- d?)</td><td>O(n)</td><td>O(n)</td></tr><tr><td>Convolutional</td><td>O(k-n-d?)</td><td>O(1)</td><td>O(logy(n))</td></tr><tr><td>Self-Attention (restricted)</td><td>O(r-n-d)</td><td>ol)</td><td>O(n/r)</td></tr></table>

       复制HTML标记并将其另存为HTML文件。然后,使用Chrome打开它,如图6所示:

        可以观察到,非结构化的算法在很大程度上恢复了整个表。

挑战2:如何重新排列检测到的块?特别是对于双列PDF

       在处理双列PDF时,让我们以论文“BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”[8]为例,读取顺序由红色箭头所示:

       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:

         每个矩形块的详细信息可以通过以下格式获得:

[LayoutElement(bbox=Rectangle(x1=851.1539916992188, y1=181.15073777777613, x2=1467.844970703125, y2=587.8204599999975), text='These approaches have been generalized to coarser granularities, such as sentence embed- dings (Kiros et al., 2015; Logeswaran and Lee, 2018) or paragraph embeddings (Le and Mikolov, 2014). To train sentence representations, prior work has used objectives to rank candidate next sentences (Jernite et al., 2017; Logeswaran and Lee, 2018), left-to-right generation of next sen- tence words given a representation of the previous sentence (Kiros et al., 2015), or denoising auto- encoder derived objectives (Hill et al., 2016). ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.9519357085227966, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=196.5296173095703, y1=181.1507377777777, x2=815.468994140625, y2=512.548237777777), text='word based only on its context. Unlike left-to- right language model pre-training, the MLM ob- jective enables the representation to fuse the left and the right context, which allows us to pre- In addi- train a deep bidirectional Transformer. tion to the masked language model, we also use a “next sentence prediction” task that jointly pre- trains text-pair representations. The contributions of our paper are as follows: ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.9517233967781067, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=200.22352600097656, y1=539.1451822222216, x2=825.0242919921875, y2=870.542682222221), text='• We demonstrate the importance of bidirectional pre-training for language representations. Un- like Radford et al. (2018), which uses unidirec- tional language models for pre-training, BERT uses masked language models to enable pre- trained deep bidirectional representations. This is also in contrast to Peters et al. (2018a), which uses a shallow concatenation of independently trained left-to-right and right-to-left LMs. ', source=<Source.YOLOX: 'yolox'>, type='List-item', prob=0.9414362907409668, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=851.8727416992188, y1=599.8257377777753, x2=1468.0499267578125, y2=1420.4982377777742), text='ELMo and its predecessor (Peters et al., 2017, 2018a) generalize traditional word embedding re- search along a different dimension. They extract context-sensitive features from a left-to-right and a right-to-left language model. The contextual rep- resentation of each token is the concatenation of the left-to-right and right-to-left representations. When integrating contextual word embeddings with existing task-specific architectures, ELMo advances the state of the art for several major NLP benchmarks (Peters et al., 2018a) including ques- tion answering (Rajpurkar et al., 2016), sentiment analysis (Socher et al., 2013), and named entity recognition (Tjong Kim Sang and De Meulder, 2003). Melamud et al. (2016) proposed learning contextual representations through a task to pre- dict a single word from both left and right context using LSTMs. Similar to ELMo, their model is feature-based and not deeply bidirectional. Fedus et al. (2018) shows that the cloze task can be used to improve the robustness of text generation mod- els. ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.938507616519928, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=199.3734130859375, y1=900.5257377777765, x2=824.69873046875, y2=1156.648237777776), text='• We show that pre-trained representations reduce the need for many heavily-engineered task- specific architectures. BERT is the first fine- tuning based representation model that achieves state-of-the-art performance on a large suite of sentence-level and token-level tasks, outper- forming many task-specific architectures. ', source=<Source.YOLOX: 'yolox'>, type='List-item', prob=0.9461237788200378, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=195.5695343017578, y1=1185.526123046875, x2=815.9393920898438, y2=1330.3272705078125), text='• BERT advances the state of the art for eleven NLP tasks. The code and pre-trained mod- els are available at https://github.com/ google-research/bert. ', source=<Source.YOLOX: 'yolox'>, type='List-item', prob=0.9213815927505493, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=195.33956909179688, y1=1360.7886962890625, x2=447.47264000000007, y2=1397.038330078125), text='2 Related Work ', source=<Source.YOLOX: 'yolox'>, type='Section-header', prob=0.8663332462310791, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=197.7477264404297, y1=1419.3353271484375, x2=817.3308715820312, y2=1527.54443359375), text='There is a long history of pre-training general lan- guage representations, and we briefly review the most widely-used approaches in this section. ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.928022563457489, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=851.0028686523438, y1=1468.341394166663, x2=1420.4693603515625, y2=1498.6444497222187), text='2.2 Unsupervised Fine-tuning Approaches ', source=<Source.YOLOX: 'yolox'>, type='Section-header', prob=0.8346447348594666, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=853.5444444444446, y1=1526.3701822222185, x2=1470.989990234375, y2=1669.5843488888852), text='As with the feature-based approaches, the first works in this direction only pre-trained word em- (Col- bedding parameters from unlabeled text lobert and Weston, 2008). ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.9344717860221863, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=200.00000000000009, y1=1556.2037353515625, x2=799.1743774414062, y2=1588.031982421875), text='2.1 Unsupervised Feature-based Approaches ', source=<Source.YOLOX: 'yolox'>, type='Section-header', prob=0.8317819237709045, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=198.64227294921875, y1=1606.3146266666645, x2=815.2886352539062, y2=2125.895459999998), text='Learning widely applicable representations of words has been an active area of research for decades, including non-neural (Brown et al., 1992; Ando and Zhang, 2005; Blitzer et al., 2006) and neural (Mikolov et al., 2013; Pennington et al., 2014) methods. Pre-trained word embeddings are an integral part of modern NLP systems, of- fering significant improvements over embeddings learned from scratch (Turian et al., 2010). To pre- train word embedding vectors, left-to-right lan- guage modeling objectives have been used (Mnih and Hinton, 2009), as well as objectives to dis- criminate correct from incorrect words in left and right context (Mikolov et al., 2013). ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.9450697302818298, image_path=None, parent=None), LayoutElement(bbox=Rectangle(x1=853.4905395507812, y1=1681.5868488888855, x2=1467.8729248046875, y2=2125.8954599999965), text='More recently, sentence or document encoders which produce contextual token representations have been pre-trained from unlabeled text and fine-tuned for a supervised downstream task (Dai and Le, 2015; Howard and Ruder, 2018; Radford et al., 2018). The advantage of these approaches is that few parameters need to be learned from scratch. At least partly due to this advantage, OpenAI GPT (Radford et al., 2018) achieved pre- viously state-of-the-art results on many sentence- level tasks from the GLUE benchmark (Wang language model- Left-to-right et al., 2018a). ', source=<Source.YOLOX: 'yolox'>, type='Text', prob=0.9476840496063232, image_path=None, parent=None)]

        其中(x1,y1)是左上顶点的坐标,(x2,y2)是右下顶点的坐标:

        (x_1, y_1) --------            |             |            |             |            |             |            ---------- (x_2, y_2)

       此时,可以选择重新调整页面的阅读顺序。Unstructured[3]有一个内置的排序算法,但我发现在处理双列情况时,排序结果不是很令人满意。

       因此,有必要设计一种算法。最简单的方法是先按左上角顶点的水平坐标排序,如果水平坐标相同,则按垂直坐标排序。其伪代码如下所示:

layout.sort(key=lambda z: (z.bbox.x1, z.bbox.y1, z.bbox.x2, z.bbox.y2))

       然而,我们发现,即使是同一列中的块,其水平坐标也可能发生变化。如图9所示,紫色线条块的水平坐标bbox.x1实际上更靠左。排序时,它将位于绿线块之前,这显然违反了读取顺序。

在这种情况下使用的一种可能的算法如下:

  • 首先,对左上角的所有x坐标x1进行排序,我们可以得到x1_min
  • 然后,对所有右下角的x坐标x2进行排序,我们可以得到x2_max
  • 接下来,将页面中心线的x坐标确定为:
x1_min = min([el.bbox.x1 for el in layout])x2_max = max([el.bbox.x2 for el in layout])mid_line_x_coordinate = (x2_max + x1_min) /  2

       接下来,如果bbox.x1<mid_line_x_cordinate,则块被分类为左列的一部分。否则,它将被视为右列的一部分。

       分类完成后,根据列中的y坐标对每个块进行排序。最后,将右侧列连接到左侧列的右侧。

left_column = []right_column = []for el in layout:    if el.bbox.x1 < mid_line_x_coordinate:        left_column.append(el)    else:        right_column.append(el)left_column.sort(key = lambda z: z.bbox.y1)right_column.sort(key = lambda z: z.bbox.y1)sorted_layout = left_column + right_column

       值得一提的是,这种改进也与单列PDF兼容。

挑战3:如何提取多级标题

       提取标题(包括多级标题)的目的是提高LLM答案的准确性。

       例如,如果用户想知道图9中2.1节的主要内容,通过准确提取2.1节的标题,并将其与相关内容一起作为上下文发送给LLM,最终答案的准确性将显著提高。

       该算法仍然依赖于图9所示的布局块。我们可以提取type=’Section-header’的块,并计算高度差(bbox.y2--bbox.y1)。高度差最大的块对应第一级标题,其次是第二级标题,然后是第三级标题。

2.3 基于多模态大模型解析复杂结构的PDF

       在多模态模型爆炸之后,也可以使用多模式模型来解析表。Llamalndex有几个例子[9]:

  • 检索相关图像(PDF页面)并将其发送到GPT4-V以响应查询。
  • 将每个PDF页面视为一个图像,让GPT4-V对每个页面进行图像推理,为图像推理构建文本矢量存储索引,根据图像推理矢量存储查询答案。
  • 使用Table Transformer从检索到的图像中裁剪表信息,然后将这些裁剪的图像发送到GPT4-V以进行查询响应。
  • 对裁剪的表图像应用OCR,并将数据发送到GPT4/GGP-3.5以回答查询。

       经过测试,确定第三种方法是最有效的。

       此外,我们可以使用多模态模型从图像中提取或总结关键信息(PDF文件可以很容易地转换为图像),如图10所示:

三、结论

       一般来说,非结构化文档提供了高度的灵活性,并且需要各种解析技术。然而,目前还没有达成共识的最佳实践。

       在这种情况下,建议选择最适合您项目需求的方法。建议根据不同类型的PDF应用特定的应对方法。例如,论文、书籍和财务报表可能会根据其特点进行独特的设计。

       然而,如果可以的话,建议选择基于深度学习或基于多模态的方法。这些方法可以有效地将文档分割成定义明确、完整的信息单元,从而最大限度地保留文档的预期含义和结构。

参考文献:

[1] https://github.com/py-pdf/pypdf

[2] https://arxiv.org/pdf/1706.03762.pdf

[3] http://unstructured-io.github.io/unstructured/

[4] https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/document_loaders/pdf.py

[5] http://github.com/Layout-Parser/layout-parser

[6] https://layout-parser.github.io/platform/

[7] https://arxiv.org/pdf/2210.05391.pdf

[8] https://arxiv.org/pdf/1810.04805.pdf

[9] https://docs.llamaindex.ai/en/stable/examples/multi_modal/multi_modal_pdf_tables.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/537164.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

神经网络处理器优化设计(一)

神经网络处理器优化设计&#xff0c;涉及到一些特殊和通用处理流程&#xff0c;一是降低硬件成本&#xff0c;二是提高性能。 一 跨层流水线调度 这里主要针对深度可分离卷积&#xff0c;将Pointwise conv与Depthwise卷积并行处理&#xff0c;好处是&#xff0c;减小整体流水时…

c++中的if语句、switch语句、std::map以及多态比较

实现多分支逻辑的场景通常可以使用以下几种技术手段可以选择 if-else语句switch语句三元运算符&#xff08;只能实现2个分支的场景&#xff0c;本文不做讨论&#xff09;映射表&#xff08;std::map、数组或std::vector&#xff09;多态&#xff08;策略模式为例&#xff09; …

java零基础入门-Map集合练习(下)

一、教学目标 能够使用HashMap集合实现值为双列集合存放。能够使用HashMap集合实现值为单列集合存放。能够使用HashMap集合实现值为基本数据类型存放。能够使用HashMap集合实现值为对象存放。 二、HashMap实现自定义元素存放 3、值存放双列集合 对于值又存放map&#xff1f;m…

对矩阵进行奇异值分解 numpy.linalg.svd()

【小白从小学Python、C、Java】 【计算机等考500强证书考研】 【Python-数据分析】 对矩阵进行奇异值分解 numpy.linalg.svd() [太阳]选择题 请问根据以下程序说法正确的是&#xff1a; import numpy as np A np.array([[1, 2], [3, 4], [5, 6]]) print("【显示】A:\n&q…

Tcl语言:基础入门(三)

相关阅读 Tcl语言https://blog.csdn.net/weixin_45791458/category_12488978.html?spm1001.2014.3001.5482 Tcl中的大括号 大括号{}可以使得被其包围的所有内容被解释为字面量&#xff0c;所以不会进行命令替换&#xff0c;转义符替换&#xff08;大部分情况的转义&#xff0…

爬虫学习 Scrapy中间件代理UA随机selenium使用

目录 中间件UA、代理处理---process_requestUA随机 代理处理seleniumscrapy 中间件 控制台操作 (百度只起个名 scrapy startproject mid scrapy genspider baidu baidu.com setting.py内 ROBOTSTXT_OBEY FalseLOG_LEVEL "WARNING"运行 scrapy crawl baidu middle…

openssl3.2 - exp - export ecc pubkey from ecc priv key

文章目录 openssl3.2 - exp - export ecc pubkey from ecc priv key概述笔记END openssl3.2 - exp - export ecc pubkey from ecc priv key 概述 前面实验已经生成了ECC私钥, 现在做从ECC私钥(内容为公私钥对, 里面既有私钥信息, 也有公钥信息)导出ECC公钥. 实验对应的命令行…

<支持向量机算法(SVM:Support Vector Machine)>——《机器学习算法初识》

目录 一、⽀持向量机(SVM)算法 1 SVM算法导⼊ 2 SVM算法定义 2.1 定义 2.2 超平⾯最⼤间隔介绍 2.3 硬间隔和软间隔 2.3.1 硬间隔分类 2.3.2 软间隔分类 3 ⼩结 二、 SVM算法api初步使⽤ 三、 SVM算法原理 1 定义输⼊数据 2 线性可分⽀持向量机 3 SVM的计算过程与算…

爬虫与DataFrame对象小小结合

import pandas as pd import requests from lxml import etree #数据请求 url"https://www.maigoo.com/brand/list_1715.html" headers{User-Agent:} #数据响应 resrequests.get(url,headersheaders) tree etree.HTML(res.text) #数据解析 titletree.xpath(.//div[c…

【Vue】Request模块 - axios 封装Vuex的持久化存储

&#x1f4dd;个人主页&#xff1a;五敷有你 &#x1f525;系列专栏&#xff1a;Vue ⛺️稳中求进&#xff0c;晒太阳 Request模块 - axios 封装 使用axios来请求后端接口&#xff0c;一般会对axios进行一些配置&#xff08;比如配置基础地址&#xff0c;请求响应拦截器…

六 超级数据查看器 讲解稿 详情1 概述

六 超级数据查看器 讲解稿 详情1 概述 点此此处 以新界面 打开B站 当前视频教程 APP下载地址 百度 下载地址 ​ 讲解稿全文&#xff1a; 大家好&#xff0c;今天我们讲解一下超级数据查看器详情界面。由于内容较多&#xff0c;讲解要分为7集&#xff0c;这是第一集 首…

Pulsar消息路由深入剖析

一、概述 大数据背景下&#xff0c;分区应该是所有组件必备的基本条件&#xff0c;否则面对海量数据时无论是计算还是存储都容易遇到瓶颈。跟其他消息系统一样&#xff0c;Pulsar通过Topic将消息数据进行业务层面划分管理&#xff0c;同时也支持Topic分区&#xff0c;通过将多…