用大模型将扫描版PDF进行OCR的工具

截止2月4日，kimi还不支持扫描版本的pdf，还是要纯文字的才能识别，感谢姚怡枝尝试告知无人之路GO无人之路2024-02-01 20:58发表于浙江https://mp.weixin.qq.com/s/yBeW02l9ULQYGaOxO2R4PA引子最近上下班的地铁上在读《深度学习入门--基于Python的理论与实现》，希望补一补这一波AI浪潮的基础。这是日本作者斎藤康毅深度学习“鱼书”系列的第一本，非常好读。这个系列的特点是从0开始，深入浅出；我已经刷到第三本了，强烈推荐给所有想要了解深度学习的同学。因为可读性强，刷得快，一个星期就完本；但读完之后总是觉得不踏实，对自己的掌握程度不确定。自然而然地问，大语言模型能帮我复习、测试和巩固吗？于是，开启了探索之旅。要让大模型根据书本的内容来与我交互，首先需要将整本书喂给它，这一步是关键。而这第一步就成了很多大模型产品的门槛。首先是ChatGPT，由于众所周知的原因，它的网络非常不稳定，我上传了很多次本书的PDF都没有成功：再试试支持超长上下文的Claude吧，发现它有10MB的附件限制，而这个PDF文档是11.3MB，超长限制?还有什么办法呢？这时候，耳边响起了“kimi”的声音！

用于处理各种格式的文档输入，包括PDF、Word、Excel、网页等，转换成可解析的结构化文本。多种文件格式支持：需要支持从多种格式（PDF、Word、Excel、TXT等）中提取文本。对于图片，可以借助OCR工具进行文本提取，（开放平台工具：[文档内容提取](https://www.bigmodel.cn/dev/howuse/fileqa)）。网页可以使用网页爬虫工具（如Scrapy、BeautifulSoup、Selenium）抓取网页中的文本和表格数据。通过解析HTML的DOM结构，提取目标数据。（平台暂无工具）参考代码

[heading2]智能章节本章节首先表明底部图像已完成，介绍了其包含logo、小程序、文本、图片和装饰物的布局流程。接着提到接下来要进行文字生成部分，先保存现有流程再做文本。还解答了能否添加多个图片的问题，称可以通过设多个image变量输入多张图片。最后简单提及一个电饭锅。[57:57](https://waytoagi.feishu.cn/minutes/obcnmql24qtl7oh7cv281n82?t=3477000)图像流与工作流结合，医美局河图生成中的图像理解输入要求本章节图像流已完成，接下来要将图像流与工作流以及文本生成相结合以生成完整图片。创建医美局河图生成文本拼接图像流的工作流，其输入节点为一张图片，在插件使用的图像理解环节，若输入参数为URL信息可直接使用，不是则需转换，目前偏向实体识别，不需要OCR模型。[01:00:46](https://waytoagi.feishu.cn/minutes/obcnmql24qtl7oh7cv281n82?t=3646000)nimbus演示添加OCR到工作流程并结合大模型根据图像理解和OCR内容生成文案标题和文案本章节主要是进行添加OCR的简单演示，将OCR添加到工作流程中，输入为一张图片，这样就具备图像理解和识别图像文本信息两个能力。之后以这两个能力生成的内容为输入使用大模型，通过引用相关信息，根据要求生成文案标题和文案，用户提示词的写法是重点。[01:03:22](https://waytoagi.feishu.cn/minutes/obcnmql24qtl7oh7cv281n82?t=3802000)用户提示词的简单写法：模仿风格输出标题与正文