实验 | 使用本地大模型从论文PDF中提取结构化信息

非结构文本、图片、视频等数据是待挖掘的数据矿藏， 在经管、社科等研究领域中谁拥有了_从非结构提取结构化信息的能力_，谁就拥有科研上的数据优势。正则表达式是一种强大的文档解析工具，但它们常常难以应对现实世界文档的复杂性和多变性。而随着chatGPT这类LLM的出现，为我们提供了更强大、更灵活的方法来处理多种类型的文档结构和内容类型。

为方便理解和实验，今天再新增一个案例，即论文处理的场景为例

一、任务

从海量的论文pdf文件中批量提取出

1.1 为何选择LLM，而不是正则表达式

在灵活性、上下文理解能力、维护和可扩展性三方面， 我们对比一下LLM和正则表达式

方面	LLM	正则表达式
灵活性	能够自动理解和适应各种文档结构，并且无论位于文档的什么位置，都能够识别相关信息。	需要每个文档结构都有特定的模式，当给定的文档偏离预期的格式时就会失败。
上下文理解	对每个文档的含义有细致的理解，从而可以更准确地提取相关信息。	无需理解上下文或含义即可匹配模式。
维护和可扩展性	可以轻松适应新的文档类型，只需在初始提示中进行最少的更改，从而使其更具可扩展性。	需要随着文档格式的变化而不断更新。添加对新类型信息的支持需要编写一个全新的正则表达式。

综上， 选择LLM更适合做「从论文PDF中提取信息」这一任务。

1.2 工作流程

为了方便实验，让我们以论文处理的场景为例，下图是使用LLM批量提取论文中元信息的工作流程。

工作流程总体上有三个主要组成部分：输入、处理和输出。

• 首先，提交文件（在本例中为PDF格式的科研论文）进行处理。

• 处理组件的第一个模块从每个 PDF 中提取原始数据，并将其与包含大型语言模型指令的提示相结合，以有效地提取数据。

• 然后，大型语言模型使用提示来提取所有元数据。

• 对于每个PDF，最终结果以JSON格式保存，可用于进一步分析。

二、准备工作

2.1 安装ollama

点击前往网站 https://ollama.com/ ，下载ollama软件，支持win、Mac、linux

2.2 下载LLM

ollama软件目前支持多种大模型， 如阿里的（qwen、qwen2）、meta的(llama3、llama3.1)， 本文选择最近新出的模型 llama3.1

以llama3.1为例，根据自己电脑显存性能， 选择适宜的版本。如果不知道选什么，那就试着安装，不合适不能用再删除即可。

打开电脑命令行cmd(mac是terminal), 网络是连网状态，执行模型下载(安装)命令

ollama pull llama3.1  

等待 llama3.1:8b 下载完成。

2.3 安装python包

在python中调用ollama服务，需要ollama包。

打开电脑命令行cmd(mac是terminal), 网络是连网状态，执行安装命令

pip3 install ollama  

2.4 启动ollama服务

在Python中调用本地ollama服务，需要先启动本地ollama服务， 打开电脑命令行cmd(mac是terminal), 执行

ollama serve  

Run

2024/08/03 14:52:24 routes.go:1011: INFO server config env="map[OLLAMA_DEBUG:false OLLAMA_FLASH_ATTENTION:false OLLAMA_HOST:http://127.0.0.1:11434 OLLAMA_KEEP_ALIVE: OLLAMA_LLM_LIBRARY: OLLAMA_MAX_LOADED_MODELS:1 OLLAMA_MAX_QUEUE:512 OLLAMA_MAX_VRAM:0 OLLAMA_MODELS:/Users/deng/.ollama/models OLLAMA_NOHISTORY:false OLLAMA_NOPRUNE:false OLLAMA_NUM_PARALLEL:1 OLLAMA_ORIGINS:[http://localhost https://localhost http://localhost:* https://localhost:* http://127.0.0.1 https://127.0.0.1 http://127.0.0.1:* https://127.0.0.1:* http://0.0.0.0 https://0.0.0.0 http://0.0.0.0:* https://0.0.0.0:* app://* file://* tauri://*] OLLAMA_RUNNERS_DIR: OLLAMA_TMPDIR:]"  
time=2024-08-03T14:52:24.742+08:00 level=INFO source=images.go:725 msg="total blobs: 18"  
time=2024-08-03T14:52:24.742+08:00 level=INFO source=images.go:732 msg="total unused blobs removed: 0"  
time=2024-08-03T14:52:24.743+08:00 level=INFO source=routes.go:1057 msg="Listening on 127.0.0.1:11434 (version 0.1.44)"  
time=2024-08-03T14:52:24.744+08:00 level=INFO source=payload.go:30 msg="extracting embedded files" dir=/var/folders/y0/4gqxky0s2t94x1c1qhlwr6100000gn/T/ollama4239159529/runners  
time=2024-08-03T14:52:24.772+08:00 level=INFO source=payload.go:44 msg="Dynamic LLM libraries [metal]"  
time=2024-08-03T14:52:24.796+08:00 level=INFO source=types.go:71 msg="inference compute" id=0 library=metal compute="" driver=0.0 name="" total="72.0 GiB" available="72.0 GiB"  

cmd(mac是terminal)看到如上的信息，说明本地ollama服务已开启。

三、实验

3.1 代码结构

project  
   |  
  - Extract_Metadata_With_Large_Language_Models.ipynb  
  - prompts  
       |--- scientific_papers_prompt.txt  
  - data  
      |--- 1706.03762v7.pdf  
      |--- 2301.09056v1.pdf  
  - extracted_metadata/  

• project文件夹 是根文件夹，包含 ipynb代码文件、 prompts文件夹、data文件夹、extracted_metadata文件夹

• prompts文件夹 有txt文件格式的提示信息

• data文件夹 存储着实验论文pdf数据

• extracted_metadata文件夹 目前为空，将存储从论文pdf中提取的元信息，以 json 文件格式存储

3.2 提示工程

我们需要从论文pdf中提取

这是我设计的提示， 该提示存储在 prompts/scientific_papers_prompt.txt 中。

科学研究论文：  
---   
{document}   
---  
  
您是分析科学研究论文的专家。 请仔细阅读上面提供的研究论文，并提取以下关键信息：  
  
从研究论文中提取以下六 (6) 个属性：  
- 论文标题：研究论文的全名  
- 出版年份：论文发表的年份  
- 作者：论文所有作者的全名  
- 作者联系方式：字典列表，其中每个字典包含每个作者的以下键：  
  - 姓名：作者的全名  
  - 机构：作者的机构隶属关系  
  - 电子邮件：作者的电子邮件地址（如果提供）  
- 摘要：论文摘要的全文  
- 摘要总结：用 2-3 句话简洁地总结摘要，突出重点  
  
指南：  
- 提取的信息应属实，并准确无误。  
- 除摘要外，应极其简洁，摘要应完整复制。  
- 提取的实体应该是独立的，并且不需要论文的其余部分就能轻松理解。  
- 如果论文中缺少任何属性，请将该字段留空，而不是猜测。  
- 对于摘要总结，重点介绍研究的主要目标、方法和主要发现。  
- 对于作者联系方式，请为每个作者创建一个条目，即使缺少一些信息。如果没有提供作者的电子邮件或机构，请在字典中将该字段留空。  
  
以 JSON 格式回答。JSON 应包含 6 个键："PaperTitle", "PublicationYear", "Authors", "AuthorContact", "Abstract", "SummaryAbstract"。 "AuthorContact"字段应该是字典列表格式。  

3.2 提取信息

读取 data/1706.03762v7.pdf， 提取该论文首页中感兴趣的6个信息，如

%%time  
  
import ollama  
import cntext as ct    
#cntext版本为2.1.2，非开源， #需联系大邓372335839获取  
  
#我们感兴趣的信息在论文的第一页，所以这里粗糙的选择前4000个字符。  
paper_content = ct.read_pdf('data/1706.03762v7.pdf')[:4000]  
prompt_content = open('prompts/scientific_papers_prompt.txt', encoding='utf-8').read()  
  
response = ollama.chat(model='llama3.1:8b',   
                       messages = [  
                           {'role': 'system', 'content': prompt_content},  
                           {'role': 'user', 'content': paper_content}  
                       ])  
  
result = response['message']['content']  
result = eval(result.split('```\n')[1].split('\n```')[0])  
result  

Run

CPU times: user 3.5 ms, sys: 2.13 ms, total: 5.63 ms  
Wall time: 11.8 s  
  
  
{'PaperTitle': 'Attention Is All You Need',  
 'PublicationYear': 2017,  
 'Authors': ['Ashish Vaswani',  
  'Noam Shazeer',  
  'Niki Parmar',  
  'Jakob Uszkoreit',  
  'Llion Jones',  
  'Aidan N. Gomez',  
  'Łukasz Kaiser',  
  'Illia Polosukhin'],  
 'AuthorContact': [{'Name': 'Ashish Vaswani',  
   'Institution': 'Google Brain',  
   'Email': 'avaswani@google.com'},  
  {'Name': 'Noam Shazeer',  
   'Institution': 'Google Brain',  
   'Email': 'noam@google.com'},  
  {'Name': 'Niki Parmar',  
   'Institution': 'Google Research',  
   'Email': 'nikip@google.com'},  
  {'Name': 'Jakob Uszkoreit',  
   'Institution': 'Google Research',  
   'Email': 'usz@google.com'},  
  {'Name': 'Llion Jones',  
   'Institution': 'Google Research',  
   'Email': 'llion@google.com'},  
  {'Name': 'Aidan N. Gomez',  
   'Institution': 'University of Toronto',  
   'Email': 'aidan@cs.toronto.edu'},  
  {'Name': 'Łukasz Kaiser',  
   'Institution': 'Google Brain',  
   'Email': 'lukaszkaiser@google.com'},  
  {'Name': 'Illia Polosukhin',  
   'Institution': '',  
   'Email': 'illia.polosukhin@gmail.com'}],  
 'Abstract': 'The dominant sequence transduction models are based on complex recurrent or convolutional neural networks that include an encoder and a decoder. The best performing models also connect the encoder and decoder through an attention mechanism. We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.',  
 'SummaryAbstract': '本文提出了一种新的Transformer模型，基于注意力机制，抛弃了递归和卷积等复杂方法。该模型在机器翻译任务上表现出优异的效果，并且可以更好地并行化和训练。'}  

从运行结果看， 摘要_Abstract_ 的提取不够准确，有一定的遗漏。

3.3 封装成函数extract_info

实验成功，我们将其封装为函数_extract_info_ ，因为LLM返回的内容的格式存在不确定性， 所以为了保证函数尽可能的成功的运行出结果，这里我设置了异常处理机制。

import ollama  
import cntext as ct    
#cntext版本为2.1.2，非开源， #需联系大邓372335839获取  
  
  
def extract_info(paper_content, prompt_content, max_retries=3):  
    for attempt in range(max_retries + 1):  
        try:  
            response = ollama.chat(  
                model='llama3.1:8b',  
                messages=[  
                    {'role': 'system', 'content': prompt_content},  
                    {'role': 'user', 'content': paper_content}  
                ]  
            )  
  
            result = response['message']['content']  
            result = eval(result.split('```\n')[1].split('\n```')[0])  
            return result  
          
        except Exception as e:  
            if attempt < max_retries:  
                print(f"An error occurred: {e}. Retrying ({attempt + 1}/{max_retries + 1})...")  
            else:  
                raise e  
  
  
#我们感兴趣的信息在论文的第一页，所以这里粗糙的选择前4000个字符。  
paper_content = ct.read_pdf('data/1706.03762v7.pdf')[:4000]  
prompt_content = open('prompts/scientific_papers_prompt.txt', encoding='utf-8').read()  
  
result = extract_info(paper_content, prompt_content)  
result  

运行结果与之前无异，为节约板面空间，这里就不展示result了。

3.4 批量提取

假设data文件夹内有成百上千的发票(实际上只有一张发票)， 对data文件夹进行批量信息提取，结果存储为csv。

%%time  
  
import os  
#cntext版本为2.1.3，非开源，需联系大邓372335839获取  
import cntext as ct  
import pandas as pd  
import jsonlines  
  
#当前代码所在的代码文件与data文件夹处于同一个文件夹内  
#获取data内所有pdf的路径  
pdf_files = [f'data/{file}' for file in os.listdir('data') if '.pdf' in file]  
prompt_content = open('prompts/scientific_papers_prompt.txt', encoding='utf-8').read()  
  
for pdf_file in pdf_files:  
    paper_content = ct.read_pdf(pdf_file)[:4000]  
    dict_data = extract_info(paper_content, prompt_content)  
    jsonf = pdf_file.replace('data', 'extracted_metadata').replace('pdf', 'jsonl')  
    with jsonlines.open(jsonf, 'w') as jf:  
        jf.write(dict_data)  

Run

CPU times: user 919 ms, sys: 14.8 ms, total: 933 ms  
Wall time: 24.6 s  

四、讨论

本文简要概述了 LLM 在从复杂文档中提取元数据方面的应用，提取的 json 数据可以存储在非关系数据库中以供进一步分析。

LLM 和 Regex 在内容提取方面各有优缺点，应根据用例明智地应用每种方法。希望本简短教程能帮助您获得新技能。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。