使用非结构化PDF文件分区时出错

Question

我正在尝试使用 Python 中的 unstructed、unstructed[pdf] 库对 .pdf 文件进行分区，但我遇到了一个似乎无法解决的错误。 pdf 文件包含文本、表格、图像...

以下是我正在做的事情的简要概述：

from unstructured.partition.pdf import partition_pdf

path = '/content/'
file_name = 'ABCABC.pdf'

raw_pdf_elements = partition_pdf(
    filename=path + file_name,
    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_output_dir_path=path
)

错误消息： 当我运行代码时，出现以下错误：

NameError: name 'sort_page_elements' is not defined

环境：

• 蟒蛇：3.9.19
• 非结构化：0.15.1（我也尝试过 0.7.12 和 0.12.2）
• 操作系统：Ubuntu 20.04

问题：

什么可能导致此 NameError，以及如何解决它？任何帮助将不胜感激！

更新

我尝试过解决方案@Oluwafemi Sule，但它不起作用，我的环境同时有 numpy 和 opencv-python

• numpy：1.26.4
• opencv-python (cv2):4.10.0.84

Answer 1

您有一个

NameError

，因为

partition_pdf

调用 document_to_element_list 函数，并且它调用

sort_page_elements

sort_page_elements

仅当 numpy 和 cv2 库可用时才会导入到模块中。

您应该安装numpy和cv2