from toolbox import update_ui from toolbox import CatchException, report_execption, write_results_to_file import re import unicodedata fast_debug = False from .crazy_utils import request_gpt_model_in_new_thread_with_ui_alive def is_paragraph_break(match): """ 根据给定的匹配结果来判断换行符是否表示段落分隔。 如果换行符前为句子结束标志(句号,感叹号,问号),且下一个字符为大写字母,则换行符更有可能表示段落分隔。 也可以根据之前的内容长度来判断段落是否已经足够长。 """ prev_char, next_char = match.groups() # 句子结束标志 sentence_endings = ".!?" # 设定一个最小段落长度阈值 min_paragraph_length = 140 if prev_char in sentence_endings and next_char.isupper() and len(match.string[:match.start(1)]) > min_paragraph_length: return "\n\n" else: return " " def normalize_text(text): """ 通过把连字(ligatures)等文本特殊符号转换为其基本形式来对文本进行归一化处理。 例如,将连字 "fi" 转换为 "f" 和 "i"。 """ # 对文本进行归一化处理,分解连字 normalized_text = unicodedata.normalize("NFKD", text) # 替换其他特殊字符 cleaned_text = re.sub(r'[^\x00-\x7F]+', '', normalized_text) return cleaned_text def clean_text(raw_text): """ 对从 PDF 提取出的原始文本进行清洗和格式化处理。 1. 对原始文本进行归一化处理。 2. 替换跨行的连词 3. 根据 heuristic 规则判断换行符是否是段落分隔,并相应地进行替换 """ # 对文本进行归一化处理 normalized_text = normalize_text(raw_text) # 替换跨行的连词 text = re.sub(r'(\w+-\n\w+)', lambda m: m.group(1).replace('-\n', ''), normalized_text) # 根据前后相邻字符的特点,找到原文本中的换行符 newlines = re.compile(r'(\S)\n(\S)') # 根据 heuristic 规则,用空格或段落分隔符替换原换行符 final_text = re.sub(newlines, lambda m: m.group(1) + is_paragraph_break(m) + m.group(2), text) return final_text.strip() def 解析PDF(file_manifest, project_folder, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt): import time, glob, os, fitz print('begin analysis on:', file_manifest) for index, fp in enumerate(file_manifest): with fitz.open(fp) as doc: file_content = "" for page in doc: file_content += page.get_text() file_content = clean_text(file_content) print(file_content) prefix = "接下来请你逐文件分析下面的论文文件,概括其内容" if index==0 else "" i_say = prefix + f'请对下面的文章片段用中文做一个概述,文件名是{os.path.relpath(fp, project_folder)},文章内容是 ```{file_content}```' i_say_show_user = prefix + f'[{index}/{len(file_manifest)}] 请对下面的文章片段做一个概述: {os.path.abspath(fp)}' chatbot.append((i_say_show_user, "[Local Message] waiting gpt response.")) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 if not fast_debug: msg = '正常' # ** gpt request ** gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive( inputs=i_say, inputs_show_user=i_say_show_user, llm_kwargs=llm_kwargs, chatbot=chatbot, history=[], sys_prompt="总结文章。" ) # 带超时倒计时 chatbot[-1] = (i_say_show_user, gpt_say) history.append(i_say_show_user); history.append(gpt_say) yield from update_ui(chatbot=chatbot, history=history, msg=msg) # 刷新界面 if not fast_debug: time.sleep(2) all_file = ', '.join([os.path.relpath(fp, project_folder) for index, fp in enumerate(file_manifest)]) i_say = f'根据以上你自己的分析,对全文进行概括,用学术性语言写一段中文摘要,然后再写一段英文摘要(包括{all_file})。' chatbot.append((i_say, "[Local Message] waiting gpt response.")) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 if not fast_debug: msg = '正常' # ** gpt request ** gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive( inputs=i_say, inputs_show_user=i_say, llm_kwargs=llm_kwargs, chatbot=chatbot, history=history, sys_prompt="总结文章。" ) # 带超时倒计时 chatbot[-1] = (i_say, gpt_say) history.append(i_say); history.append(gpt_say) yield from update_ui(chatbot=chatbot, history=history, msg=msg) # 刷新界面 res = write_results_to_file(history) chatbot.append(("完成了吗?", res)) yield from update_ui(chatbot=chatbot, history=history, msg=msg) # 刷新界面 @CatchException def 批量总结PDF文档(txt, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt, web_port): import glob, os # 基本信息:功能、贡献者 chatbot.append([ "函数插件功能?", "批量总结PDF文档。函数插件贡献者: ValeriaWong,Eralien"]) yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 # 尝试导入依赖,如果缺少依赖,则给出安装建议 try: import fitz except: report_execption(chatbot, history, a = f"解析项目: {txt}", b = f"导入软件依赖失败。使用该模块需要额外依赖,安装方法```pip install --upgrade pymupdf```。") yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 return # 清空历史,以免输入溢出 history = [] # 检测输入参数,如没有给定输入参数,直接退出 if os.path.exists(txt): project_folder = txt else: if txt == "": txt = '空空如也的输入栏' report_execption(chatbot, history, a = f"解析项目: {txt}", b = f"找不到本地项目或无权访问: {txt}") yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 return # 搜索需要处理的文件清单 file_manifest = [f for f in glob.glob(f'{project_folder}/**/*.pdf', recursive=True)] # + \ # [f for f in glob.glob(f'{project_folder}/**/*.tex', recursive=True)] + \ # [f for f in glob.glob(f'{project_folder}/**/*.cpp', recursive=True)] + \ # [f for f in glob.glob(f'{project_folder}/**/*.c', recursive=True)] # 如果没找到任何文件 if len(file_manifest) == 0: report_execption(chatbot, history, a = f"解析项目: {txt}", b = f"找不到任何.tex或.pdf文件: {txt}") yield from update_ui(chatbot=chatbot, history=history) # 刷新界面 return # 开始正式执行任务 yield from 解析PDF(file_manifest, project_folder, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt)