Spaces:
Build error
Build error
| from toolbox import update_ui | |
| from toolbox import CatchException, report_exception | |
| from .crazy_utils import read_and_clean_pdf_text | |
| from .crazy_utils import request_gpt_model_in_new_thread_with_ui_alive | |
| fast_debug = False | |
| def 解析PDF(file_name, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt): | |
| import tiktoken | |
| print('begin analysis on:', file_name) | |
| ############################## <第 0 步，切割PDF> ################################## | |
| # 递归地切割PDF文件，每一块（尽量是完整的一个section，比如introduction，experiment等，必要时再进行切割） | |
| # 的长度必须小于 2500 个 Token | |
| file_content, page_one = read_and_clean_pdf_text(file_name) # （尝试）按照章节切割PDF | |
| file_content = file_content.encode('utf-8', 'ignore').decode() # avoid reading non-utf8 chars | |
| page_one = str(page_one).encode('utf-8', 'ignore').decode() # avoid reading non-utf8 chars | |
| TOKEN_LIMIT_PER_FRAGMENT = 2500 | |
| from .crazy_utils import breakdown_txt_to_satisfy_token_limit_for_pdf | |
| from request_llms.bridge_all import model_info | |
| enc = model_info["gpt-3.5-turbo"]['tokenizer'] | |
| def get_token_num(txt): return len(enc.encode(txt, disallowed_special=())) | |
| paper_fragments = breakdown_txt_to_satisfy_token_limit_for_pdf( | |
| txt=file_content, get_token_fn=get_token_num, limit=TOKEN_LIMIT_PER_FRAGMENT) | |
| page_one_fragments = breakdown_txt_to_satisfy_token_limit_for_pdf( | |
| txt=str(page_one), get_token_fn=get_token_num, limit=TOKEN_LIMIT_PER_FRAGMENT//4) | |
| # 为了更好的效果，我们剥离Introduction之后的部分（如果有） | |
| paper_meta = page_one_fragments[0].split('introduction')[0].split('Introduction')[0].split('INTRODUCTION')[0] | |
| ############################## <第 1 步，从摘要中提取高价值信息，放到history中> ################################## | |
| final_results = [] | |
| final_results.append(paper_meta) | |
| ############################## <第 2 步，迭代地历遍整个文章，提取精炼信息> ################################## | |
| i_say_show_user = f'首先你在英文语境下通读整篇论文。'; gpt_say = "[Local Message] 收到。" # 用户提示 | |
| chatbot.append([i_say_show_user, gpt_say]); yield from update_ui(chatbot=chatbot, history=[]) # 更新UI | |
| iteration_results = [] | |
| last_iteration_result = paper_meta # 初始值是摘要 | |
| MAX_WORD_TOTAL = 4096 | |
| n_fragment = len(paper_fragments) | |
| if n_fragment >= 20: print('文章极长，不能达到预期效果') | |
| for i in range(n_fragment): | |
| NUM_OF_WORD = MAX_WORD_TOTAL // n_fragment | |
| i_say = f"Read this section, recapitulate the content of this section with less than {NUM_OF_WORD} words: {paper_fragments[i]}" | |
| i_say_show_user = f"[{i+1}/{n_fragment}] Read this section, recapitulate the content of this section with less than {NUM_OF_WORD} words: {paper_fragments[i][:200]}" | |
| gpt_say = yield from request_gpt_model_in_new_thread_with_ui_alive(i_say, i_say_show_user, # i_say=真正给chatgpt的提问， i_say_show_user=给用户看的提问 | |
| llm_kwargs, chatbot, | |
| history=["The main idea of the previous section is?", last_iteration_result], # 迭代上一次的结果 | |
| sys_prompt="Extract the main idea of this section, answer me with Chinese." # 提示 | |
| ) | |
| iteration_results.append(gpt_say) | |
| last_iteration_result = gpt_say | |
| ############################## <第 3 步，整理history> ################################## | |
| final_results.extend(iteration_results) | |
| final_results.append(f'接下来，你是一名专业的学术教授，利用以上信息，使用中文回答我的问题。') | |
| # 接下来两句话只显示在界面上，不起实际作用 | |
| i_say_show_user = f'接下来，你是一名专业的学术教授，利用以上信息，使用中文回答我的问题。'; gpt_say = "[Local Message] 收到。" | |
| chatbot.append([i_say_show_user, gpt_say]) | |
| ############################## <第 4 步，设置一个token上限，防止回答时Token溢出> ################################## | |
| from .crazy_utils import input_clipping | |
| _, final_results = input_clipping("", final_results, max_token_limit=3200) | |
| yield from update_ui(chatbot=chatbot, history=final_results) # 注意这里的历史记录被替代了 | |
| def 理解PDF文档内容标准文件输入(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？", | |
| "理解PDF论文内容，并且将结合上下文内容，进行学术解答。函数插件贡献者: Hanzoe, binary-husky"]) | |
| 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_exception(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_exception(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)] | |
| # 如果没找到任何文件 | |
| if len(file_manifest) == 0: | |
| report_exception(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 | |
| txt = file_manifest[0] | |
| # 开始正式执行任务 | |
| yield from 解析PDF(txt, llm_kwargs, plugin_kwargs, chatbot, history, system_prompt) | |