导入 unstructed.partition.pdf 时内核崩溃

Question

我尝试了以下导入，但我的内核总是死掉，我该如何解决这个问题？

from unstructured.partition.pdf import partition_pdf
path = 'data/llama.pdf'
raw_pdf_elements=partition_pdf(
    filename=path,
    extract_images_in_pdf=True,
    infer_table_structure=True,
    chunking_strategy="by_title",
    max_characters=4000,
    new_after_n_chars=3800,
    combine_text_under_n_chars=2000,
    image_outpur_dir_path='images/'
)

第一行出现问题，但我需要实现 raw_pdf_elements 行，然后由于超立方体路径出现了一些问题，然后我安装了以下

pip install tesseract
pip install tesseract-ocr

此后我的内核开始死亡。 退出

> 00:01:01.922 [error] Disposing session as kernel process died
> ExitCode: undefined, Reason:  00:01:01.922 [info] Dispose Kernel
> process 35807. 00:01:01.945 [info] End cell 98 execution after
> -1709672459.206s, completed @ undefined, started @ 1709672459206

Answer 1

这是来自 Langchain 食谱吗？ |半结构化 RAG

我在 Google Colab 上使用过这个：

安装 pytesseract，这是 Tesseract OCR 引擎的 Python 包装器。

！sudo apt install tesseract-ocr !pip 安装 pytesseract

安装 pdf2image，一个将 PDF 转换为图像的库。

%pip 安装 pdf2image

%pip 安装 poppler-utils

！apt-get 安装 poppler-utils

%重置