186 lines
8.2 KiB
Python
186 lines
8.2 KiB
Python
from request_llm.bridge_chatgpt import predict_no_ui
|
||
from toolbox import CatchException, report_execption, write_results_to_file, predict_no_ui_but_counting_down
|
||
import re
|
||
import unicodedata
|
||
fast_debug = False
|
||
|
||
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，例如 “Espe-\ncially” 转换为 “Especially”。
|
||
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_name, top_p, temperature, chatbot, history, systemPromptTxt):
|
||
import time, glob, os, fitz
|
||
print('begin analysis on:', file_name)
|
||
|
||
with fitz.open(file_name) as doc:
|
||
file_content = ""
|
||
for page in doc:
|
||
file_content += page.get_text()
|
||
file_content = clean_text(file_content)
|
||
# print(file_content)
|
||
split_number = 10000
|
||
split_group = (len(file_content)//split_number)+1
|
||
for i in range(0,split_group):
|
||
if i==0:
|
||
prefix = "接下来请你仔细分析下面的论文，学习里面的内容（专业术语、公式、数学概念）.并且注意：由于论文内容较多，将分批次发送，每次发送完之后，你只需要回答“接受完成”"
|
||
i_say = prefix + f'文件名是{file_name}，文章内容第{i+1}部分是 ```{file_content[i*split_number:(i+1)*split_number]}```'
|
||
i_say_show_user = f'文件名是：\n{file_name},\n由于论文内容过长，将分批请求（共{len(file_content)}字符，将分为{split_group}批，每批{split_number}字符）。\n当前发送{i+1}/{split_group}部分'
|
||
elif i==split_group-1:
|
||
i_say = f'你只需要回答“所有论文接受完成，请进行下一步”。文章内容第{i+1}/{split_group}部分是 ```{file_content[i*split_number:]}```'
|
||
i_say_show_user = f'当前发送{i+1}/{split_group}部分'
|
||
else:
|
||
i_say = f'你只需要回答“接受完成”。文章内容第{i+1}/{split_group}部分是 ```{file_content[i*split_number:(i+1)*split_number]}```'
|
||
i_say_show_user = f'当前发送{i+1}/{split_group}部分'
|
||
chatbot.append((i_say_show_user, "[Local Message] waiting gpt response."))
|
||
gpt_say = yield from predict_no_ui_but_counting_down(i_say, i_say_show_user, chatbot, top_p, temperature, history=[]) # 带超时倒计时
|
||
while "完成" not in gpt_say:
|
||
i_say = f'你只需要回答“接受完成”。文章内容第{i+1}/{split_group}部分是 ```{file_content[i*split_number:(i+1)*split_number]}```'
|
||
i_say_show_user = f'出现error，重新发送{i+1}/{split_group}部分'
|
||
gpt_say = yield from predict_no_ui_but_counting_down(i_say, i_say_show_user, chatbot, top_p, temperature, history=[]) # 带超时倒计时
|
||
time.sleep(1)
|
||
chatbot[-1] = (i_say_show_user, gpt_say)
|
||
history.append(i_say_show_user); history.append(gpt_say)
|
||
yield chatbot, history, '正常'
|
||
time.sleep(2)
|
||
|
||
i_say = f'接下来，请你扮演一名专业的学术教授，利用你的所有知识并且结合这篇文章，回答我的问题。（请牢记：1.直到我说“退出”，你才能结束任务；2.所有问题需要紧密围绕文章内容;3.如果有公式，请使用tex渲染)'
|
||
chatbot.append((i_say, "[Local Message] waiting gpt response."))
|
||
yield chatbot, history, '正常'
|
||
|
||
# ** gpt request **
|
||
gpt_say = yield from predict_no_ui_but_counting_down(i_say, i_say, chatbot, top_p, temperature, history=history) # 带超时倒计时
|
||
chatbot[-1] = (i_say, gpt_say)
|
||
history.append(i_say); history.append(gpt_say)
|
||
yield chatbot, history, '正常'
|
||
|
||
|
||
@CatchException
|
||
def 理解PDF文档内容(txt, top_p, temperature, chatbot, history, systemPromptTxt, 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。"])
|
||
yield chatbot, history, '正常'
|
||
|
||
import tkinter as tk
|
||
from tkinter import filedialog
|
||
|
||
root = tk.Tk()
|
||
root.withdraw()
|
||
txt = filedialog.askopenfilename()
|
||
|
||
# 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 chatbot, history, '正常'
|
||
return
|
||
|
||
# 清空历史，以免输入溢出
|
||
history = []
|
||
|
||
# 开始正式执行任务
|
||
yield from 解析PDF(txt, top_p, temperature, chatbot, history, systemPromptTxt)
|
||
|
||
|
||
|
||
@CatchException
|
||
def 理解PDF文档内容标准文件输入(txt, top_p, temperature, chatbot, history, systemPromptTxt, 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。"])
|
||
yield chatbot, history, '正常'
|
||
|
||
# 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 chatbot, history, '正常'
|
||
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 chatbot, history, '正常'
|
||
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_execption(chatbot, history,
|
||
a=f"解析项目: {txt}", b=f"找不到任何.tex或.pdf文件: {txt}")
|
||
yield chatbot, history, '正常'
|
||
return
|
||
txt = file_manifest[0]
|
||
# 开始正式执行任务
|
||
yield from 解析PDF(txt, top_p, temperature, chatbot, history, systemPromptTxt)
|