使用llama Index帮你训练pdf的示例详解

llama Index是什么

《零开始带你入门人工智能系列》第一篇:还用什么chatpdf，让llama Index 帮你训练pdf。

LlamaIndex 是您的外部数据和 LLM 之间的一个简单、灵活的接口。它以易于使用的方式提供了以下工具：

为您现有的数据源和数据格式（API、PDF、文档、SQL 等）提供数据连接器

为您的非结构化和结构化数据提供索引，以便与 LLM 一起使用。这些索引有助于抽象出情境学习的常见样板和痛点：

• 以易于访问的格式存储上下文以便快速插入。

• 当上下文太大时处理提示限制（例如 Davinci 的 4096 个标记）。

• 处理文本拆分。

• 为用户提供查询索引（输入提示）并获得知识增强输出的界面。

• 为您提供全面的工具集，权衡成本和性能。

这里只是LlamaIndex应用的冰山一角，还可以挖掘更多好玩的功能

下面让我一步步来教你如何实现

第一步:安装依赖

requirements.txt

Flask==2.2.3
Flask-Cors==3.0.10
langchain==0.0.115
llama-index==0.4.30
PyPDF2==3.0.1

我们需要部署一个web服务，这里我使用了Flask，你也可以使用fastapi 或者django实现。其次我们使用llama-index作为索引进行pdf查询。

第二步：训练数据和构建索引的server

index_server.py

import os
import pickle
# 这里可以换成你自己的key，但是最好不要上传到github上
os.environ['OPENAI_API_KEY'] = ""
from multiprocessing import Lock
from multiprocessing.managers import BaseManager
from llama_index import SimpleDirectoryReader, GPTSimpleVectorIndex, Document
index = None
stored_docs = {}
lock = Lock()
# 保存index的json文件
index_name = "./index.json"
# 保存文档的pkl文件 用于保存文档的id和文本，这样客户端就可以查询到文档的列表了
pkl_name = "stored_documents.pkl"
def initialize_index():
   """初始化index，如果已经存在index，就使用已经训练好的index，否则就创建一个新的index"""
   global index, stored_docs
   with lock:
       if os.path.exists(index_name):
           """使用已经训练好的index"""
           index = GPTSimpleVectorIndex.load_from_disk(index_name)
       else:
           """使用GPTSimpleVectorIndex创建一个新的index 这里是llama_index的一个bug，如果你不传入一个空的list，就会报错 """
           index = GPTSimpleVectorIndex([])
           index.save_to_disk(index_name)
       if os.path.exists(pkl_name):
           with open(pkl_name, "rb") as f:
               stored_docs = pickle.load(f)
def query_index(query_text):
   """查询index 根据你查询的文本，返回一个response"""
   global index
   response = index.query(query_text)
   return response
def insert_into_index(doc_file_path, doc_id=None):
   """将文档插入到index中，插入的文档可以是一个文件，也可以是一个字符串，
   如果doc_id不为空，就使用doc_id，否则就使用文件名作为doc_id"""
   global index, stored_docs
   document = SimpleDirectoryReader(input_files=[doc_file_path]).load_data()[0]
   if doc_id is not None:
       document.doc_id = doc_id
   # Keep track of stored docs -- llama_index doesn't make this easy
   stored_docs[document.doc_id] = document.text[0:200]  # only take the first 200 chars
   with lock:
       index.insert(document)
       index.save_to_disk(index_name)
       with open(pkl_name, "wb") as f:
           pickle.dump(stored_docs, f)
   return
def get_documents_list():
   """查询保存的文档列表，返回一个list"""
   global stored_doc
   documents_list = []
   for doc_id, doc_text in stored_docs.items():
       documents_list.append({"id": doc_id, "text": doc_text})
   return documents_list
if __name__ == "__main__":
   # 初始化index， 如果已经存在index，就使用已经训练好的index，否则就创建一个新的index
   print("initializing index...")
   initialize_index()
   # 启动服务器，监听5602端口
   manager = BaseManager(('127.0.0.1', 5602), b'123456')
   # 注册使用到的函数，这样客户端就可以调用这些函数了
   manager.register('query_index', query_index)
   manager.register('insert_into_index', insert_into_index)
   manager.register('get_documents_list', get_documents_list)
   server = manager.get_server()
   print("server started...")
   server.serve_forever()

注意上面的OPENAI_API_KEY需要修改为你自己的，否则执行initialize_index函数会提示报错

最后，成功启动

$ python index_server.py
initializing index...
server started...

总结时刻

教程使用了Flask、llama-index、PyPDF2等库，通过搭建web服务，使用llama-index作为索引，最后提供一个交互界面进行pdf的内容查询。

如果您有相关的问题需要进一步解答，欢迎提问！有需要的赶紧转发给你的好友吧

今天的内容就到这里了，下期我们继续完善这个项目，提供一个Flask服务，然后可以支持接口调用，还会做一个简单的ui进行文档处理，敬请期待。

来源：https://juejin.cn/post/7213544005601787964