一、整体思路

非常简单的一个v1版本
- 利用langchain和pdfminer切分pdf文档为k块，设置overlap等参数
- 先利用prompt1对每个chunk文本块进行摘要生成，然后利用prompt2对多个摘要进行连贯组合/增删
- 模型可以使用chatglm2-6b或其他大模型
评测标准：信息是否涵盖pdf主要主题、分点和pdf一二级标题比大体是否一致、摘要是否连贯、通顺

在这里插入图片描述
Prompt1：分段总结

prompt1 = '''你是一个摘要生成器。请根据下文进行分段总结,请注意：
            1.输入数据为从pdf读入的文本，一句话可能存在跨越多行;
            2.要求每段内容不丢失主要信息, 每段的字数在50字左右;
            3.每段生成的摘要开头一定不要含有'第几段'的前缀文字;
            4.对下文进行分段总结:'''

Prompt2：内容整合

prompt2 = '''你是一个文章内容整合器，请注意：
            1.输入数据中含有多个已经总结好的段落;
            2.有的段落开头有这是第几段或者摘要的字样;
            2.请将每段信息进行优化,使得每段之间显得更加连贯,且保留每段的大部分信息;
            4.输入的的文章如下：'''

二、代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@Author : andy
@Date   : 2023/8/23 10:09
@Contact: 864934027@qq.com
@File   : chunk_summary.py
"""
import json
from langchain.text_splitter import CharacterTextSplitter
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBoxHorizontal
from pdfminer.pdfpage import PDFPage
import os
import pandas as pd

def split_document_by_page(pdf_path):
    resource_manager = PDFResourceManager()
    codec = 'utf-8'
    laparams = LAParams()
    device = PDFPageAggregator(resource_manager, laparams=laparams)
    interpreter = PDFPageInterpreter(resource_manager, device)

    split_pages = []
    with open(pdf_path, 'rb') as file:
        for page in PDFPage.get_pages(file):
            interpreter.process_page(page)
            layout = device.get_result()
            text_blocks = []
            for element in layout:
                if isinstance(element, LTTextBoxHorizontal):
                    text = element.get_text().strip()
                    text_blocks.append(text)
            page_text = '\n'.join(text_blocks)
            split_pages.append(page_text)

    return split_pages

def callChatGLM6B(prompt):
    pass

def summary(pdf_path, num):
    # 使用示例
    # pdf_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/pdf_test.pdf"
    # pdf_path = 'example.pdf'  # 替换为你的 PDF 文件路径
    one_dict = {}
    pages = split_document_by_page(pdf_path)
    add_page_data = ''
    page_ans = ""
    print(f"=============这是第{num}个pdf\n")
    for i, page_text in enumerate(pages):
        # page_ans = page_ans + f"这是第{i}页pdf:\n" + page_text
        page_ans = page_ans + page_text
        print(f"Page {i + 1}:", "当前page的字数:", len(page_text))
        print(page_text)
        print("--------------------")

    # 文本分片
    text_splitter = CharacterTextSplitter(
        separator="\n",
        chunk_size=1500,
        chunk_overlap=150,
        length_function=len
    )
    chunks = text_splitter.split_text(page_ans)
    # chunks
    prompt0 = '''请根据下文进行分段总结, 要求每段内容不丢失主要信息, 每段的字数在50字左右:'''
    prompt = '''你是一个摘要生成器。请根据下文进行分段总结,请注意：
                1.输入数据为从pdf读入的文本，一句话可能存在跨越多行;
                2.要求每段内容不丢失主要信息, 每段的字数在50字左右;
                3.每段生成的摘要开头一定不要含有'第几段'的前缀文字;
                4.对下文进行分段总结:'''

    prompt3 = '''你是一个文章内容整合器，请注意：
                1.输入数据中含有多个已经总结好的段落;
                2.有的段落开头有这是第几段或者摘要的字样;
                2.请将每段信息进行优化,使得每段之间显得更加连贯,且保留每段的大部分信息;
                4.输入的的文章如下：'''
    ans = ""
    for i in range(len(chunks)):
        # response = callChatGLM66B(prompt + chunks[i])
        response = callChatGLM6B(prompt + chunks[i])
        if 'data' not in response.keys():
            print(response.keys(), "\n")
            print("========this chunk has problem=======\n")
            continue
        temp_ans = response['data']['choices'][0]['content'] + "\n"
        ans += temp_ans

    ans = ans.replace("\\n", '\n')
    # save txt
    # save_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/save_6b_ans3_all"
    save_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/gpt_diction"
    with open(save_path + '/ans' + str(num) + '.txt', 'w', encoding='utf-8') as file:
        file.write(ans)
    print("======ans========:\n", ans)
    one_dict = {'input': page_ans, "output": ans}
    return ans, one_dict


def main():
    # find 10 file
    def find_files_with_prefix(folder_path, prefix):
        matching_files = []
        for root, dirs, files in os.walk(folder_path):
            for file in files:
                if file.startswith(prefix) and file.endswith('.pdf'):
                    matching_files.append(os.path.join(root, file))
        return matching_files

    # 示例用法
    folder_path = '/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/pdf_data_all'  # 替换为你的大文件夹路径
    # prefixes = ['pdf_0', 'pdf_1', 'pdf_2']  # 替换为你想要匹配的前缀列表
    prefixes = []
    for i in range(10):
        prefixes.append('pdf_' + str(i))
    matching_files = []
    for prefix in prefixes:
        matching_files.extend(find_files_with_prefix(folder_path, prefix))
    # del matching_files[0]
    # del matching_files[0]

    ans_lst = []
    for i in range(len(matching_files)):
        one_ans, one_dict = summary(matching_files[i], i)
        ans_lst.append(one_dict)
    # pdf_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/pdf_test.pdf"
    # summary(pdf_path)
    return ans_lst


def preprocess_data(ans_lst):
    json_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/summary_ft_data.json"
    with open(json_path, "w", encoding='utf-8') as fout:
        for dct in ans_lst:
            line = json.dumps(dct, ensure_ascii=False)
            fout.write(line)
            fout.write("\n")


def read_data():
    json_path = "/Users/guomiansheng/Desktop/LLM/LangChain-ChatLLM/summary_ft_data.json"
    with open(json_path, "r", encodings='utf-8') as f:
        lst = [json.loads(line) for line in f]
        df = pd.json_normalize(lst)


if __name__ == '__main__':
    ans_lst = main()
    preprocess_data(ans_lst)

随便找了个介绍某个课程内容的pdf，结果如下，概括了课程的三天主题内容，同时也将pdf中的数据湖理念等概念进行分点概括：

" 教育即将推出名为“数据湖，大数据的下一场变革！”的超强干货课程。该课程分为三天，

第一天的主题是“数据湖如何助力企业大数据中台架构的升级”，内容包括数据处理流程和大数据平台架构，以及数据湖和数据仓库的理念对比和应用；

第二天的主题是“基于 Apache Hudi 构建企业级数据湖”，将介绍三个开源数据湖技术框架比较，Apache Hudi 的核心概念和功能，以及基于 Hudi 构建企业级数据湖的方法；

第三天的主题是“基于 Apache Iceberg 打造新一代数据湖”，将深入探讨 Apache Iceberg 的核心思想、特性和实现细节，以及如何基于 Iceberg 构建数据湖分析系统。该课程由前凤凰金融大数据部门负责人王端阳主讲，他具有多年的大数据架构经验，擅长 Hadoop、Spark、Storm、Flink 等大数据生态技术，授课特点为拟物化编程 + 强案例支撑，旨在帮助学生快速建立完备的大数据生态知识体系。课程将在今晚 20:00 准时开课。"

" 
1.开放性：Lakehouse 使用开放式和标准化的存储格式，提供 API 供各类工具和引擎直接访问数据。  
2.数据类型支持：Lakehouse 支持从非结构化数据到结构化数据的多种数据类型。  
3.BI 支持：Lakehouse 可直接在源数据上使用 BI 工具。  
4.工作负载支持：Lakehouse 支持数据科学、机器学习以及 SQL 和分析等多种工作负载。  
5.模式实施和治理：Lakehouse 有 Schema enforcement and governance 功能，未来能更好的管理元数据，schema 管理和治理。  
6.事务支持：Lakehouse 支持 ACID 事务，确保了多方并发读写数据时的一致性问题。  
7.端到端流：Lakehouse 需要一个增量数据处理框架，例如 Apache Hudi。  
8.数据湖和数据仓库对比：数据湖采用读时模式，满足上层业务的高效分析需求，且无成本修改 schema。  
9.数据湖落地方案：包括基于 Hadoop 生态的大数据方案，基于云平台数据湖方案，基于商业产品的数据湖方案。  
10.数据湖助力数仓解决痛点：数据湖可以解决离线数仓和实时数仓的痛点问题，提高数据处理效率。  
11.数据湖帮助企业大数据中台升级：数据湖可以实现底层存储标准统一化，构建实时化标准层，提高数据存储的安全性、全面性和可回溯性。  
12.大数据中台实时数据建设要求：开源数据湖架构 Day02 基于 Apache Hudi 构建企业级数据湖。"

三、小结

之前存在的问题：生成重复、杜撰了事件中的时间、截断现象、每个chunk文本块之间的摘要不太连贯等
优化点：使用pdfminer和Langchain切分chunk文本块，对文本块进行摘要生成，然后将分块的摘要结合prompt2进行内容整合，使得语句连贯并且控制字数；top_p=0.5 temperature=0.8等
后续可继续优化的点：使用streamlist提取pdf中的表格对象内容、使用篇章分析discourse parsing更加细粒度地切分文档等

Reference

[1] 基于LLM+向量库的文档对话痛点及解决方案
[2] LangChain - 打造自己的GPT（二）simple-chatpdf
[3] 徒手使用LangChain搭建一个ChatGPT PDF知识库
[4] LangChain+ChatGPT三分钟实现基于pdf等文档问答应用
[5] pdfminer: https://euske.github.io/pdfminer/
[6] Python+Streamlit在网页中提取PDF中文字、表格对象