docx 文档向量化详细过程_向量化表格文档

作者：爱喝兽奶帝天荒 | 2024-07-30 16:35:03

踩

向量化表格文档

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：

chunk_overlap = 50
chunk_size = 250
embed_model = 'm3e-large'
vs_type = 'fassi'
zh_title_enhance = False

1
2
3
4
5
6

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：

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)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

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。

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

1
2
3
4
5
6
7
8
9
10
11
12

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。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。