dosubot[bot]
commented
7 months ago 🤖
你好，@zhanghaotian123！我们又见面了！希望这次我们能一起解决这个新的挑战。生活就像编程，总是充满了惊喜和挑战，不是吗？😉
从您提供的上下文来看，Langchain-Chatchat在处理PDF文件时，使用了fitz库从pyMuPDF来处理和切割表格。它会打开PDF文件，遍历每一页，并提取文本。如果PDF中有图片，它会检查图片大小是否超过某个阈值。如果超过，它会使用get_ocr函数对图片进行OCR，并将结果添加到文本中。如果页面有旋转角度，它会在进行OCR之前旋转图片。
这是相关的代码：
def pdf2text(filepath):
import fitz # pyMuPDF里面的fitz包，不要与pip install fitz混淆
import numpy as np
ocr = get_ocr()
doc = fitz.open(filepath)
resp = ""
b_unit = tqdm.tqdm(total=doc.page_count, desc="RapidOCRPDFLoader context page index: 0")
for i, page in enumerate(doc):
b_unit.set_description("RapidOCRPDFLoader context page index: {}".format(i))
b_unit.refresh()
text = page.get_text("")
resp += text + "\n"
img_list = page.get_image_info(xrefs=True)
for img in img_list:
if xref := img.get("xref"):
bbox = img["bbox"]
# 检查图片尺寸是否超过设定的阈值
if ((bbox[2] - bbox[0]) / (page.rect.width) < PDF_OCR_THRESHOLD[0]
or (bbox[3] - bbox[1]) / (page.rect.height) < PDF_OCR_THRESHOLD[1]):
continue
pix = fitz.Pixmap(doc, xref)
samples = pix.samples
if int(page.rotation)!=0: #如果Page有旋转角度，则旋转图片
img_array = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, -1)
tmp_img = Image.fromarray(img_array);
ori_img = cv2.cvtColor(np.array(tmp_img),cv2.COLOR_RGB2BGR)
rot_img = rotate_img(img=ori_img, angle=360-page.rotation)
img_array = cv2.cvtColor(rot_img, cv2.COLOR_RGB2BGR)
else:
img_array = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, -1)
result, _ = ocr(img_array)
if result:
ocr_result = [line[1] for line in result]
resp += "\n".join(ocr_result)
# 更新进度
b_unit.update(1)
return resp源代码：
然而，从上述代码中，我们并未看到特定的处理表格结构的逻辑。这可能是导致您遇到问题的原因。在处理表格结构时，可能需要使用专门的库或算法来识别和处理表格。例如，有一些库如tabula-py或camelot，它们专门用于从PDF中提取表格。
如果您有更多的信息，如file2text方法的具体实现，或者有关如何处理表格的更多细节，这可能有助于找到更好的解决方案。
Sources
This response is meant to be useful and save you time. It is not meant to be a precise solution, but rather a starting point for your own research.
Help me be more useful! Please leave a 👍 if this is helpful and 👎 if it is irrelevant.
If you want to continue the conversation, start your reply with @dosu-bot.
zRzRzRzRzRzRzR
这是我的原pdf的表格内容：
这是目前chatchat项目分割后的：
我想要的切分后的效果：