读取文件
使用的 docx 文档是一个 示例.docx 文档，内容截图如下：
参数说明
基本的文档处理参数如下：
ini
chunk_overlap = 50
chunk_size = 250
embed_model = 'm3e-large'
vs_type = 'fassi'
zh_title_enhance = False详细解释如下：
-
chunk_overlap = 50:chunk_overlap是指在进行文本分块时，每个块之间的重叠量。在处理文本时，通常将文本分成多个块以便更有效地处理，而重叠量可以确保在相邻的块之间不会丢失重要的信息。在这个例子中，重叠量为 50，表示相邻块之间会有 50 个字符的重叠。 -
chunk_size = 250：chunk_size是指每个文本块的大小。将长文本分成适当大小的块有助于更高效地处理文本数据。在这里每个文本块的大小为 250 个字符。 -
embed_model = 'm3e-large：embed_model是指用于文本嵌入（embedding）的模型。文本嵌入是将文本数据转换成向量的过程，通常用于表示文本数据。在这里，使用了名为m3e-large的嵌入模型。 -
vs_type = 'fassi'：vs_type是向量数据库名称。 -
zh_title_enhance = False：zh_title_enhance是一个布尔值，用于指示是否要增强中文标题。当设置为True时，表示对中文标题进行增强处理；当设置为False时，表示不进行增强处理。
加载自定义的 Loader 处理 pdf 文件
这里我使用的是自定义的 document_loaders.mydocloader.RapidOCRDocLoader ，处理过程的核心代码如下：
python
def _get_elements(self) -> List:
def doc2text(filepath):
from docx.table import _Cell, Table
from docx.oxml.table import CT_Tbl
from docx.oxml.text.paragraph import CT_P
from docx.text.paragraph import Paragraph
from docx import Document, ImagePart
from PIL import Image
from io import BytesIO
import numpy as np
from rapidocr_onnxruntime import RapidOCR
ocr = RapidOCR()
doc = Document(filepath)
resp = ""
def iter_block_items(parent):
from docx.document import Document
if isinstance(parent, Document):
parent_elm = parent.element.body
elif isinstance(parent, _Cell):
parent_elm = parent._tc
else:
raise ValueError("RapidOCRDocLoader parse fail")
for child in parent_elm.iterchildren():
if isinstance(child, CT_P):
yield Paragraph(child, parent)
elif isinstance(child, CT_Tbl):
yield Table(child, parent)
b_unit = tqdm.tqdm(total=len(doc.paragraphs)+len(doc.tables),
desc="RapidOCRDocLoader block index: 0")
for i, block in enumerate(iter_block_items(doc)):
b_unit.set_description(
"RapidOCRDocLoader block index: {}".format(i))
b_unit.refresh()
if isinstance(block, Paragraph):
resp += block.text.strip() + "\n"
images = block._element.xpath('.//pic:pic') # 获取所有图片
for image in images:
for img_id in image.xpath('.//a:blip/@r:embed'): # 获取图片id
part = doc.part.related_parts[img_id] # 根据图片id获取对应的图片
if isinstance(part, ImagePart):
image = Image.open(BytesIO(part._blob))
result, _ = ocr(np.array(image))
if result:
ocr_result = [line[1] for line in result]
resp += "\n".join(ocr_result)
elif isinstance(block, Table):
for row in block.rows:
for cell in row.cells:
for paragraph in cell.paragraphs:
resp += paragraph.text.strip() + "\n"
b_unit.update(1)
return resp
text = doc2text(self.file_path)
from unstructured.partition.text import partition_text
return partition_text(text=text, **self.unstructured_kwargs)这里使用了一个叫 Document 的 python 库可以直接提取 docx 文件中的信息，Document 专门用于处理 Microsoft Word 文档。我们这里主要处理的只有两种类型的内容，分别对应 paragraphs 和 tables ，处理逻辑如下：
- paragraphs ： 直接将文本提取出来拼接到 resp 后面，如果有图片，则会使用 ocr 技术提取图片中的文字同样拼接到 resp 后面
- tables：将表格中的每一行文本，从左到右使用换行符 "\n" ，将每一列的数据拼接起来，如下图所示表格，最后拼接的字符串结果如下所示。
arduino
优点
缺点
GEOcoding & CSV export：类似于知识库问答，因为需要返回准确的经纬度
只能查询
Administrative layers&export to QGIS: 与app.ageospatial.com进行数据访问
无法对结果进行操作交互
Population data：与app.ageospatial.com进行数据访问人口数据分布
输入数据格式有限
Sentinel-2 imagery and NDVl(Normalized Difference Vegetation Index) ：与app.ageospatial.com进行数据访问卫星影像
依赖于自己的数据，因为都是专业涉密数据，准确性也高
Building data&export to QGIS最终将所有paragraphs 和 tables 中的字符串都拼接起来形成一个长字符串，最后使用一个 partition_text 函数进行了一定的切分，将得到的字符串列表返回即可，其实这一步感觉没啥用处，因为后边其实还使用了ChineseRecursiveTextSplitter 来对长文本进行了递归拆分。
封装
将得到文本进行拆分之后，以方便后续的内容向量化，将上面的结果包装成一个包含了许多 Document 列表，，这些 Document 有利于后续向量化入库，每个 Document 中有 pagecontent 和 metadata ，前者存放部分文本内容，后者存放该内容的元数据，比如文件位置等等，部分内容展示如下图。
存入向量库
随便找一个可以使用的向量模型，我这里使用的是 m3e-large ，另外还有找自己合适的向量数据库，我这里使用的是 fassi ，将上面处理好的内容都经过向量化存入 fassi 中，后面结合大模型即可即可进行文档的问答和检索。这里展示了使用我这个文档进行的问答过程。
