如何高效解析影印版 PDF 与 ChatGPT 畅聊

摘要

此前影印版的 PDF 无法被 ChatGPT 等聊天机器人正确解析，从而影响沟通。而 ChatGPT 给出的解决办法是可以将PDF文档的内容转化为文本格式，然后将文本内容粘贴到聊天框中，这样才能和它畅聊沟通。不过，伯衡君最近在 Github 上发现了一个项目，可以将影印版的 PDF 解析成可以供 ChatGPT 识别的版本。它是什么呢？详情请参看这篇文章……

开篇寄语

此前影印版的 PDF 无法被 ChatGPT 等聊天机器人正确解析，从而影响沟通。而 ChatGPT 给出的解决办法是可以将PDF文档的内容转化为文本格式，然后将文本内容粘贴到聊天框中，这样才能和它畅聊沟通。不过，伯衡君最近在 Github 上发现了一个项目，可以将影印版的 PDF 解析成可以供 ChatGPT 识别的版本。它是什么呢？详情请参看这篇文章。

前情提要

• 《如何获取一张 AI 生成图片的提示词的几种方法》
• 《聊聊学，结合 ChatGPT 的知识学习网站，在学与聊中掌握各种知识》
• 《夭寿啦！使用这个提示词后 ChatGPT 国粹脏话十级，我的血压顿时拉满》
• 《聊天机器人的魔法：ChatGPT 提示词汇总和最佳实践》
• 《理论指导 ChatGPT 写小说实践——《虚实之门》序言》

项目地址

• pdf2txt-chinese

在线体验

• Colab-CPU
• Colab-GPU

项目内容

将影印版 PDF 图书转换为文本 TXT，供 GPTs 使用作为知识库。一个用于将PDF文件的文本提取到一个文本文件中的Python脚本。它特别适用于处理扫描文档或包含图像格式文本的PDF，并支持英文和简体中文的文本识别。该项目的灵感来源于将影印版图书转换为文本格式，用作AI模型如GPTs的知识库。

主要特点和使用方法：

1. 用途说明：
   • 将PDF文件的每一页文本提取并汇总到一个文本文件中。
   • 特别适用于处理扫描文档或包含图像格式文本的PDF。
   • 支持英文和简体中文的文本识别。
2. 依赖安装：
   • Python、PyPDF2、pdf2image、Pillow（PIL Fork）、pytesseract、tqdm（用于进度条）、psutil、Tesseract OCR。
3. 安装说明：
   • 确保系统已安装Python。
   • 通过命令安装所需的Python库。
   • 安装Tesseract OCR及其依赖项，包括英文和中文的语言支持。
4. 使用方法：
   • 在Python环境中运行脚本，指定PDF文件的路径。
   • 脚本使用多线程处理每一页，并将提取的文本输出到extracted_text.txt，同时显示进度条并将识别到的文本打印到控制台。

该项目还提供了在 Google Colab 上运行的 GPU 版本和 CPU 版本的 notebook。

建议直接在 Google Colab 使用。打开 Google Colab 后，请下翻，找到标有路径的地方。

上传 影印版 PDF 文件后，修改为对应路径和名称后，点击运行，不到一会就生成出了能够让 ChatGPT 识别的文字了。

怎么样，是不是很简单？