类功能

功能描述

继承实现langchain_community.document_loaders.base.BaseLoader，执行pdf文档解析开启布局解析需要联网下载OCR模型，需保持网络通畅。使用第三方PaddleOCR，识别精确度依赖第三方OCR模型。

函数原型

from mx_rag.document.loader import PdfLoader
PdfLoader(file_path, lang, layout_recognize)
# 参数枚举值
from mx_rag.utils.common import Lang
class Lang(Enum):
    EN: str = 'en'
    CH: str = 'ch'

参数说明

参数名	类型	可选/必选	说明
file_path	str	必选	pdf文档路径，路径长度取值范围为[1,1024]，不能为软链接且不允许存在".."。文档页数≤1000页，文档大小≤100MB。
lang	Lang	可选	pdf文档文字类型，当前支持中文或英文(Lang.CH/Lang.EN)，默认中文（Lang.CH）。
layout_recognize	bool	可选	是否使能pdf layout布局分析，使能之后才支持文档图片解析和表格信息解析，默认“False”，即不使能。pdf中的图片像素长宽不能超过2048。说明：当layout_recognize设置为“True”时，PaddleOCR会联网下载文件，本接口内部使用了pickle模块加载模型，可能存在恶意构造的文件在反序列化时带来安全风险，请确保加载的模型文件来自可信来源。

调用示例

from mx_rag.document.loader import PdfLoader
loader = PdfLoader("test.pdf")docs = loader.lazy_load()
print(list(docs))

父主题： PdfLoader类