Menghuan1918原创2024/8/16
大约 6 分钟
目前的Fastgpt，Dify(或者其他同类产品)，目前知识库召回的本质上还是分片块的文本，召回的还是文本信息。不过，我们可以进行一些预处理，提升其召回精度的同时，使其也能同时召回将图片与公式表格等内容。
原理以及实现
已经将下文提到的所有预处理方法加到pdfdeal包里啦(需要0.2.4或更高版本)，从PYPI上直接下载使用吧：pip install --upgrade pdfdeal
原理其实也很简单，对于原本的文档(假设是PDF格式)，将其通过转换工具将其转换为Markdown，再对MD文件进行一系列的预处理。整体而言分为三步：
- 转换文档，这一步中转换源文档中公式和整体结构，如果使用的工具足够强大，表格以及纯图片也应当被保留转换。
- 拆分段落，这一步将文本按照段落拆分开。对比普遍使用的滑动窗口拆分方式，其能显著加强分块内文本的相关度。
- 转换图片，这一步将不需要进行OCR的图片(例如示意图)，上传至云储存(例如阿里OSS，S3，云耀R2)，并以Markdown的形式的URL图片替换原有的位置。
注
题外话：上面说的纯图片是什么
例如下图中蓝色方框部分是表格，应当进行表格识别(此处被识别为HTML格式的表格)，而红色方框部分则是展示的原理图，其不应当被进行OCR，而是应当保留下来。目前主流的转换工具应当都有能力保留。 
Step1：转换文档:PDF转Markdown
考虑Doc2X满足以上的所有需求，即文章结构/公式识别/表格识别/图片保留（以及免费），偷懒就直接用其进行转换了(同时也是pdfdeal包内置的方法)。
如果你想用其他方法，其他转换工具你可以参见我上一篇博文的这一节。
上链接未带AFF，不过我建议你使用我的邀请码
4AREZ6注册(滑稽)
from pdfdeal import Doc2X
from pdfdeal.file_tools import get_files, unzips
Client = Doc2X()
out_type = "md"
file_list, rename_list = get_files(path="./Files", mode="pdf", out=out_type)
success, failed, flag = Client.pdf2file(
pdf_file=file_list,
output_path="./Output",
output_names=rename_list,
output_format=out_type,
)
print(success, failed, flag)
zips = []
for file in success:
if file.endswith(".zip"):
zips.append(file)
success, failed, flag = unzips(zip_paths=zips)
print(success, failed, flag)你应当得到类似的输出：
['./Output/2408.07888v1.zip', './Output/1706.03762v7.zip'] [{'error': '', 'path': ''}, {'error': '', 'path': ''}] False
['./Output/2408.07888v1', './Output/1706.03762v7'] ['', ''] FalseStep2：拆分段落
大多数RAG应用都会提供自定义段落的功能，我们可以手动添加分隔符使其按照文章的段落进行分段，毕竟一般而言其都是滑动窗口分段(当然也有一些例外，后面会提到)。
直接使用pdfdeal内置的方法，详细参照此处。此处我直接使用的替换源文件。
# 上接step1中的代码
from pdfdeal.file_tools import auto_split_mds
succese, failed, flag = auto_split_mds(mdpath="./Output", out_type="replace")
print(succese, failed, flag)你应当得到类似的输出：
MD SPLIT: 2/2 files are successfully splited.
Note the split string is :
=+=+=+=+=+=+=+=+=
['./1/1706.03762v7.md', './1/2408.07888v1.md'] [{'error': '', 'file': ''}, {'error': '', 'file': ''}] False此时再查看MD文档，可以看到其在各个分段直接已经添加上了分隔符了：
Step3：转换图片为在线URL
到目前为止，图片的形式都还是以本地路径呈现的，其样式形如。显而易见地，大部分RAG应用并不能显示这些图片,不过我们可以将其上传到云端储存服务从而使其能被召回。同样pdfdeal中也有相应的内置方法。
目前pdfdeal中内置有阿里OSS，云耀R2(其实就是S3协议)的上传方法，当然你也可以使用自定义的上传方程。
配置阿里OSS
此处选择使用阿里OSS，网上一堆开通的教程，自行搜索一下吧~ 其中以下是需要注意的一些权限问题：
转换为URL
以下默认环境变量中已经有密匙啥的了，由于选用的是阿里OSS，额外再安装其包 pip install -U oss2：
# 上接Step2中的代码
from pdfdeal.FileTools.Img.Ali_OSS import Ali_OSS
from pdfdeal.file_tools import mds_replace_imgs
import os
ossupload = Ali_OSS(
OSS_ACCESS_KEY_ID=os.environ.get("OSS_ACCESS_KEY_ID"),
OSS_ACCESS_KEY_SECRET=os.environ.get("OSS_ACCESS_KEY_SECRET"),
Endpoint=os.environ.get("Endpoint"),
Bucket=os.environ.get("Bucket"),
)
succese, failed, flag = mds_replace_imgs(
path="Output",
replace=ossupload,
threads=5,
)
print(succese, failed, flag)随后再查看MD文档，现在图片已经被替换为URL啦，其在大部分的RAG应用中召回时也能直接显示了：
完整的程序
from pdfdeal import Doc2X
from pdfdeal.file_tools import get_files, unzips, auto_split_mds, mds_replace_imgs
from pdfdeal.FileTools.Img.Ali_OSS import Ali_OSS
import os
Client = Doc2X()
out_type = "md"
file_list, rename_list = get_files(path="./Files", mode="pdf", out=out_type)
success, failed, flag = Client.pdf2file(
pdf_file=file_list,
output_path="./Output",
output_names=rename_list,
output_format=out_type,
)
print(success, failed, flag)
zips = []
for file in success:
if file.endswith(".zip"):
zips.append(file)
success, failed, flag = unzips(zip_paths=zips)
print(success, failed, flag)
succese, failed, flag = auto_split_mds(mdpath="./Output", out_type="replace")
print(succese, failed, flag)
ossupload = Ali_OSS(
OSS_ACCESS_KEY_ID=os.environ.get("OSS_ACCESS_KEY_ID"),
OSS_ACCESS_KEY_SECRET=os.environ.get("OSS_ACCESS_KEY_SECRET"),
Endpoint=os.environ.get("Endpoint"),
Bucket=os.environ.get("Bucket"),
)
succese, failed, flag = mds_replace_imgs(
path="Output",
replace=ossupload,
threads=5,
)
print(succese, failed, flag)接入RAG应用
Fastgpt
按照正常的知识库导入流程，将上面得到的最后的Markdown文档导入，随后在第二步数据处理的时候选择自定义处理规则，填入分隔符：
可以看到其数据中是严格按照段落分段的：
以下是一个召回的效果演示：
Dify
注意
截止编写时的版本0.7.1，Dify对Markdown文件处理依然存在严重Bug，无论使用什么设置，其都会自动删除文件中的所有网址以及HTML标签。
请务必将md格式改为txt格式后上传！
详细请参见这个issue
首先将所有文件的md格式改为txt格式。
随后按照正常的知识库导入流程，随后将上面得到的最后的txt文档导入，随后在第二步数据处理的时候选择自定义处理规则，填入分段标识符：
可以看到其数据中是严格按照段落分段的：
以下是一个召回的效果演示：
公式/表格召回
虽然其实，这俩能召回，是Doc2X的格式转换的功劳.....实际上和pdfdeal的文件预处理关系不是特别大💦
题外话：关于效果
实际上，Fastgpt有单独对Markdown文档做拆分的适配，你可以看到在上面的Fastgpt演示中，#4这一章节的内容较多，因此其被拆分为了几个分块。此时Fastgpt为这几个分块单独在开头添加了章节的标题(而Dify并没有，即使上传MD文档也是这样)。
因此理论上拆分段落的一步对于Dify的效果提升是更为显著的，对于Fastgpt可能提升微小或者没有。