Elasticsearch：使用 OpenAI、LangChain 和 Streamlit 的基于 LLM 的 PDF 摘要器和 Q A 应用程序

/Users/liuxg/python/PDF-Summarizer-End-to-End-Project
$ cp ~/elastic/elasticsearch-8.12.0/config/certs/http_ca.crt .
$ ls http_ca.crt
http_ca.crt

### 创建环境变量文件


我们在自己的项目根目录下创建如下的 .env 文件：


**.env**

ES_USER=“elastic”
ES_PASSWORD=“q2rqAIphl-fx9ndQ36CO”
ES_ENDPOINT=“localhost”
OPENAI_API_KEY=“YourOpenAIkey”

请记得根据自己的 Elasticsearch 配置及 OpenAI key 进行相应的修改。



## 创建应用


我们在当前的目录下创建一个叫做 app.py 的文件。



### 导入依赖项

from dotenv import load_dotenv
import streamlit as st
from PyPDF2 import PdfReader
from streamlit_extras.add_vertical_space import add_vertical_space
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings.openai import OpenAIEmbeddings
from elasticsearch import Elasticsearch, helpers
from langchain_community.vectorstores import ElasticsearchStore
from langchain.chains.question_answering import load_qa_chain
from langchain_community.llms import OpenAI
from langchain_community.callbacks import get_openai_callback
import os

### 创建 SideBar

Sidebar contents

with st.sidebar:
st.title(‘💬PDF Summarizer and Q/A App’)
st.markdown(‘’’
## About this application
You can built your own customized LLM-powered chatbot using:
- Streamlit
- LangChain
- OpenAI LLM model

''')
add_vertical_space(2)
st.write(' Why drown in papers when your chat buddy can give you the highlights and summary? Happy Reading. ')
add_vertical_space(2)   

### 上传 PDF 文件


为了方便大家学习，我把一些示例的 PDF 文件进行上传。你可以在[地址]( )下载。


我们使用如下的代码来上传 PDF 文件：

pdf = st.file_uploader(“Upload your PDF File and Ask Questions”, type=“pdf”)

Streamlit 中的 st.file\_uploader 功能允许用户上传 PDF 文件，使他们能够交互式地选择和上传 PDF 文档，以便在 Streamlit Web 应用程序中进行进一步处理或分析。


我们使用如下的命令来运行代码：


app.py

from dotenv import load_dotenv
import streamlit as st
from PyPDF2 import PdfReader
from streamlit_extras.add_vertical_space import add_vertical_space
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings.openai import OpenAIEmbeddings
from elasticsearch import Elasticsearch, helpers
from langchain_community.vectorstores import ElasticsearchStore
from langchain.chains.question_answering import load_qa_chain
from langchain_community.llms import OpenAI
from langchain_community.callbacks im