mirror of
https://github.com/Mintplex-Labs/anything-llm.git
synced 2024-11-15 02:50:10 +01:00
[FIX] PDFLoader module bug fix (#1879)
use pdf.js by importing it from pdf-parse and fix custom PDFLoader module
This commit is contained in:
parent
86a66ba569
commit
9b86bbd2b8
@ -1,5 +1,4 @@
|
|||||||
const fs = require("fs").promises;
|
const fs = require("fs").promises;
|
||||||
const pdf = require("pdf-parse");
|
|
||||||
|
|
||||||
class PDFLoader {
|
class PDFLoader {
|
||||||
constructor(filePath, { splitPages = true } = {}) {
|
constructor(filePath, { splitPages = true } = {}) {
|
||||||
@ -9,54 +8,90 @@ class PDFLoader {
|
|||||||
|
|
||||||
async load() {
|
async load() {
|
||||||
const buffer = await fs.readFile(this.filePath);
|
const buffer = await fs.readFile(this.filePath);
|
||||||
|
const { getDocument, version } = await this.getPdfJS();
|
||||||
|
|
||||||
const options = {
|
const pdf = await getDocument({
|
||||||
pagerender: this.splitPages ? this.renderPage : null,
|
data: new Uint8Array(buffer),
|
||||||
};
|
useWorkerFetch: false,
|
||||||
|
isEvalSupported: false,
|
||||||
|
useSystemFonts: true,
|
||||||
|
}).promise;
|
||||||
|
|
||||||
const { text, numpages, info, metadata, version } = await pdf(
|
const meta = await pdf.getMetadata().catch(() => null);
|
||||||
buffer,
|
const documents = [];
|
||||||
options
|
|
||||||
);
|
|
||||||
|
|
||||||
if (!this.splitPages) {
|
for (let i = 1; i <= pdf.numPages; i += 1) {
|
||||||
return [
|
const page = await pdf.getPage(i);
|
||||||
{
|
const content = await page.getTextContent();
|
||||||
pageContent: text.trim(),
|
|
||||||
metadata: {
|
if (content.items.length === 0) {
|
||||||
source: this.filePath,
|
continue;
|
||||||
pdf: { version, info, metadata, totalPages: numpages },
|
}
|
||||||
|
|
||||||
|
let lastY;
|
||||||
|
const textItems = [];
|
||||||
|
for (const item of content.items) {
|
||||||
|
if ("str" in item) {
|
||||||
|
if (lastY === item.transform[5] || !lastY) {
|
||||||
|
textItems.push(item.str);
|
||||||
|
} else {
|
||||||
|
textItems.push(`\n${item.str}`);
|
||||||
|
}
|
||||||
|
lastY = item.transform[5];
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
const text = textItems.join("");
|
||||||
|
documents.push({
|
||||||
|
pageContent: text.trim(),
|
||||||
|
metadata: {
|
||||||
|
source: this.filePath,
|
||||||
|
pdf: {
|
||||||
|
version,
|
||||||
|
info: meta?.info,
|
||||||
|
metadata: meta?.metadata,
|
||||||
|
totalPages: pdf.numPages,
|
||||||
|
},
|
||||||
|
loc: { pageNumber: i },
|
||||||
|
},
|
||||||
|
});
|
||||||
|
}
|
||||||
|
|
||||||
|
if (this.splitPages) {
|
||||||
|
return documents;
|
||||||
|
}
|
||||||
|
|
||||||
|
if (documents.length === 0) {
|
||||||
|
return [];
|
||||||
|
}
|
||||||
|
|
||||||
|
return [
|
||||||
|
{
|
||||||
|
pageContent: documents.map((doc) => doc.pageContent).join("\n\n"),
|
||||||
|
metadata: {
|
||||||
|
source: this.filePath,
|
||||||
|
pdf: {
|
||||||
|
version,
|
||||||
|
info: meta?.info,
|
||||||
|
metadata: meta?.metadata,
|
||||||
|
totalPages: pdf.numPages,
|
||||||
},
|
},
|
||||||
},
|
},
|
||||||
];
|
|
||||||
}
|
|
||||||
|
|
||||||
return this.pages.map((pageContent, index) => ({
|
|
||||||
pageContent: pageContent.trim(),
|
|
||||||
metadata: {
|
|
||||||
source: this.filePath,
|
|
||||||
pdf: { version, info, metadata, totalPages: numpages },
|
|
||||||
loc: { pageNumber: index + 1 },
|
|
||||||
},
|
},
|
||||||
}));
|
];
|
||||||
}
|
}
|
||||||
|
|
||||||
pages = [];
|
async getPdfJS() {
|
||||||
|
try {
|
||||||
renderPage = async (pageData) => {
|
const pdfjs = await import("pdf-parse/lib/pdf.js/v1.10.100/build/pdf.js");
|
||||||
const textContent = await pageData.getTextContent();
|
return { getDocument: pdfjs.getDocument, version: pdfjs.version };
|
||||||
let lastY,
|
} catch (e) {
|
||||||
text = "";
|
console.error(e);
|
||||||
for (const item of textContent.items) {
|
throw new Error(
|
||||||
if (lastY !== item.transform[5] && lastY !== undefined) {
|
"Failed to load pdf-parse. Please install it with eg. `npm install pdf-parse`."
|
||||||
text += "\n";
|
);
|
||||||
}
|
|
||||||
text += item.str;
|
|
||||||
lastY = item.transform[5];
|
|
||||||
}
|
}
|
||||||
this.pages.push(text);
|
}
|
||||||
return text;
|
|
||||||
};
|
|
||||||
}
|
}
|
||||||
|
|
||||||
module.exports = PDFLoader;
|
module.exports = PDFLoader;
|
||||||
|
Loading…
Reference in New Issue
Block a user