PDF

便携式文档格式（PDF） (opens in a new tab)，简称ISO 32000，是Adobe于1992年开发的文件格式，用于呈现文档，包括文字格式和图像，与应用软件，硬件和操作系统无关。

本篇介绍如何将PDF文档加载到我们后续使用的文档格式中。

使用PyPDF

使用pypdf将PDF加载到文档数组中，每个文档包含页面内容和具有page编号的元数据。

pip install pypdf

from langchain_community.document_loaders import PyPDFLoader
 
loader = PyPDFLoader("example_data/layout-parser-paper.pdf")
pages = loader.load_and_split()

pages[0]

提取图像

使用rapidocr-onnxruntime包可以将图像提取为文本：

pip install rapidocr-onnxruntime

loader = PyPDFLoader("https://arxiv.org/pdf/2103.15348.pdf", extract_images=True)
pages = loader.load()
pages[4].page_content

使用MathPix

受Daniel Gross的https://gist.github.com/danielgross/3ab4104e14faccc12b49200843adab21 (opens in a new tab)的启发

from langchain_community.document_loaders import MathpixPDFLoader

loader = MathpixPDFLoader("example_data/layout-parser-paper.pdf")

data = loader.load()

使用无结构化

from langchain_community.document_loaders import UnstructuredPDFLoader

loader = UnstructuredPDFLoader("example_data/layout-parser-paper.pdf")

data = loader.load()

保留元素

底层，Unstructured为不同的文本块创建不同的“元素”。默认我们将它们组合在一起，但是您可以通过指定mode="elements"来保留此分隔。

loader = UnstructuredPDFLoader("example_data/layout-parser-paper.pdf", mode="elements")

data = loader.load()

data[0]

获取远程PDF使用无结构化

这包括如何将在线PDF加载到我们可以在下游使用的文档格式中。这可用于各种在线PDF站点，如https://open.umn.edu/opentextbooks/textbooks/和https://arxiv.org/archive/。 (opens in a new tab)

请注意：所有其他PDF加载程序也可以用于获取远程PDF，但OnlinePDFLoader是一个遗留函数，专门与UnstructuredPDFLoader一起使用。

from langchain_community.document_loaders import OnlinePDFLoader

loader = OnlinePDFLoader("https://arxiv.org/pdf/2302.03803.pdf")

data = loader.load()

print(data)

使用MathPix

在OpenAIEmbeddings下我们想使用OpenAI API Key。

import os
import getpass
 
os.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API Key:')

使用Unstructured

from langchain_community.document_loaders import OnlinePDFLoader

loader = OnlinePDFLoader("https://arxiv.org/pdf/2302.03803.pdf")

data = loader.load()

with open("example_data/layout-parser-paper.pdf", "rb") as f:
    pdf = f.read()
 
pdf

Office文件（OfficeFile）Index