如何在AWS bedrock上使用claude 3 API进行pdf摘要？

Question

我正在尝试在 AWS Bedrock 上使用 Claude 3 API 来对可能附有 pdf 或图像以及文本的帖子进行摘要。

def invoke_claude_3_with_text(self, prompt):
    client = self.bedrock_client
    model_id = "anthropic.claude-3-sonnet-20240229-v1:0"

    try:
        response = client.invoke_model(
            modelId=model_id,
            body=json.dumps(
                {
                    "anthropic_version": "bedrock-2023-05-31",
                    "max_tokens": 2048,
                    "messages": [
                        {
                            "role": "user",
                            "content": [{"type": "text", "text": prompt}],
                        }
                    ],
                }
            ),
        )

        # Process and print the response
        result = json.loads(response.get("body").read())
        input_tokens = result["usage"]["input_tokens"]
        output_tokens = result["usage"]["output_tokens"]
        output_list = result.get("content", [])

我正在使用上面的代码进行文本摘要并且正在按预期工作。甚至图像的前进方向也很明确，我将对其进行 base64 编码并发送到 Claude API。

我不太清楚如何获取 pdf 文档的摘要。我是否必须先从 pdf 中提取文本并将其发送给克劳德，还是有其他直接的方法，例如它如何处理图像？如果我的 pdf 中有图像怎么办？

Answer 1

是的，您需要先从 PDF 中提取文本，然后再将其传递给 Claude 3 API 进行摘要。如果 PDF 包含图像，您可能需要执行其他处理（例如 OCR）以将该信息包含在摘要中。

所以流程如下：

1. 从 PDF 中提取文本
2. 调用克劳德3 API
3. 处理图像（如果有）
4. 总结

您可以使用

PyPDF2

库从 PDF 中提取文本。

pip install PyPDF2

您可以参考示例代码

def extract_text_from_pdf(self, pdf_path):
    text = ""
    try:
        with open(pdf_path, "rb") as file:
            pdf_reader = PyPDF2.PdfFileReader(file)
            num_pages = pdf_reader.numPages
            for page_num in range(num_pages):
                page = pdf_reader.getPage(page_num)
                text += page.extractText()
        return text
    except Exception as e:
        print("Error extracting text from PDF:", e)
        return None