[dev] add support for all image pages inside pdf

experiments/llama_index.ipynb

@@ -2,15 +2,246 @@
  "cells": [
   {
    "cell_type": "code",
-   "execution_count": null,
    "id": "initial_id",
    "metadata": {
-    "collapsed": true
+    "collapsed": true,
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:03:18.404518Z",
+     "start_time": "2024-09-05T14:03:18.401535Z"
+    }
    },
+   "source": "# Read PDF",
    "outputs": [],
+   "execution_count": 33
+  },
+  {
+   "metadata": {
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:39:16.282184Z",
+     "start_time": "2024-09-05T14:39:16.279186Z"
+    }
+   },
+   "cell_type": "code",
    "source": [
-    ""
+    "import pdf2image\n",
-   ]
+    "import pytesseract\n",
+    "from pytesseract import Output, TesseractError"
+   ],
+   "id": "ad1ffea2dcb7dcaf",
+   "outputs": [],
+   "execution_count": 74
+  },
+  {
+   "metadata": {
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:39:16.648563Z",
+     "start_time": "2024-09-05T14:39:16.646494Z"
+    }
+   },
+   "cell_type": "code",
+   "source": "file = \"../local_data/input_raw/test/26223.pdf\"",
+   "id": "f38556f4ef09d669",
+   "outputs": [],
+   "execution_count": 75
+  },
+  {
+   "metadata": {
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:39:23.492339Z",
+     "start_time": "2024-09-05T14:39:18.280277Z"
+    }
+   },
+   "cell_type": "code",
+   "source": "images = pdf2image.convert_from_path(file)",
+   "id": "67286a6f741debb0",
+   "outputs": [],
+   "execution_count": 76
+  },
+  {
+   "metadata": {
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:39:38.005863Z",
+     "start_time": "2024-09-05T14:39:36.119195Z"
+    }
+   },
+   "cell_type": "code",
+   "source": [
+    "pil_im = images[5] # assuming that we're interested in the first page only\n",
+    "\n",
+    "ocr_dict = pytesseract.image_to_string(pil_im, lang=\"rus\")"
+   ],
+   "id": "ec339f7da13fc37f",
+   "outputs": [],
+   "execution_count": 79
+  },
+  {
+   "metadata": {
+    "ExecuteTime": {
+     "end_time": "2024-09-05T14:39:49.348914Z",
+     "start_time": "2024-09-05T14:39:49.344588Z"
+    }
+   },
+   "cell_type": "code",
+   "source": "print(ocr_dict)",
+   "id": "df86f1ed6f5f1b6e",
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "096 отдельный батальон материального обеспечения\n",
+      "\n",
+      "1099 мотострелковый полк\n",
+      "\n",
+      "| береговая ракетно-артиллерийская бригада\n",
+      "\n",
+      "военная автомобильная инспекция\n",
+      "\n",
+      "гвардейская отдельная десантно-штурмовая бригада\n",
+      "гвардейская отдельная инженерная бригада\n",
+      "отдельная вертолетная эскадрилья\n",
+      "отдельная танковая бригада\n",
+      "отдельный медицинский батальон\n",
+      "отдельный танковый полк\n",
+      "\n",
+      "полк радиационной, химической и биологической защиты\n",
+      "\n",
+      "смешанный авиационный полк\n",
+      "средняя общеобразовательная школа\n",
+      "\n",
+      "центральный узел контроля безопасности связи\n",
+      "\n",
+      "11 экипаж большой подводной лодки\n",
+      "\n",
+      "110 военная автомобильная инспекция\n",
+      "\n",
+      "110 военное представительство Министерства обороны Российской Федерации\n",
+      "\n",
+      "110 отдельная мотострелковая бригада\n",
+      "110 отдельный стрелковый полк\n",
+      "\n",
+      "1101 отдел государственного технического надзора\n",
+      "\n",
+      "1102 мотострелковый полк\n",
+      "1104 мотострелковый полк\n",
+      "\n",
+      "144\n",
+      "\n",
+      "1105 мотострелковый полк\n",
+      "\n",
+      "109 отдельный оптико-электронный узел\n",
+      "\n",
+      "11 военная автомобильная инспекция\n",
+      "\n",
+      "П главный государственный центр судеоно-медицинских и криминалистических экспертиз Министерства\n",
+      "\n",
+      "|| отдельный стрелковый полк\n",
+      "\n",
+      "11 центральная база резерва танков\n",
+      "\n",
+      "110 объединенное управление эксплуатации специальных объектов\n",
+      "\n",
+      "117 зенитный ракетный полк\n",
+      "\n",
+      "152|1118 военное представительство Министерства обороны Российской Федерации\n",
+      "153|1118 отдельный радиолокационный узел\n",
+      "\n",
+      "154|112 авиационный полигон\n",
+      "\n",
+      "155112 гвардейская ракетная бригада\n",
+      "\n",
+      "156| 112 отдельный вертолетный полк\n",
+      "\n",
+      "157|112 отдельный стрелковый полк\n",
+      "\n",
+      "158|1122 отдельный батальон материального обеспечения\n",
+      "159|1124 отдельный батальон материального обеспечения\n",
+      "160|1127 ремонтный завод ракетно-артиллерийского вооружения\n",
+      "161|113 военная автомобильная инспекция\n",
+      "\n",
+      "162|1139 отдельный батальон материального обеспечения\n",
+      "163|1139 отдельный измерительный пункт\n",
+      "\n",
+      "164| 114 бригада\n",
+      "\n",
+      "165| 114 военная автомобильная инспекция\n",
+      "\n",
+      "166|114 гвардейская отдельная мотострелковая бригада\n",
+      "\n",
+      "114 гвардейский мотострелковый полк\n",
+      "\n",
+      "168\n",
+      "\n",
+      "114 отделение территориальное\n",
+      "\n",
+      "169\n",
+      "\n",
+      "40 гвардейский артиллерийский полк\n",
+      "\n",
+      "170\n",
+      "\n",
+      "41 гвардейский артиллерийский полк\n",
+      "\n",
+      "171\n",
+      "\n",
+      "1142 военное представительство Министерства обороны Российской Федерации\n",
+      "\n",
+      "172\n",
+      "\n",
+      "1143 отдельный зенитный ракетный дивизион\n",
+      "\n",
+      "173\n",
+      "\n",
+      "115 военная автомобильная инспекция\n",
+      "\n",
+      "174\n",
+      "\n",
+      "5 государственный специальный химический арсенал\n",
+      "\n",
+      "175\n",
+      "\n",
+      "150 радиоэлектронный центр\n",
+      "\n",
+      "176\n",
+      "\n",
+      "177\n",
+      "178\n",
+      "\n",
+      "1152 мотострелковый полк\n",
+      "1153 мотострелковый полк\n",
+      "54 мотострелковый полк\n",
+      "\n",
+      "179\n",
+      "\n",
+      "1155 центр\n",
+      "\n",
+      "180\n",
+      "\n",
+      "157 пожарная команда\n",
+      "\n",
+      "ТТТ.\n",
+      "\n",
+      "181\n",
+      "\n",
+      "1158 пожарная команда.\n",
+      "\n",
+      "182\n",
+      "\n",
+      "1159 военное представительство Министерства обороны Российской Федерации\n",
+      "\n",
+      "\n"
+     ]
+    }
+   ],
+   "execution_count": 81
+  },
+  {
+   "metadata": {},
+   "cell_type": "code",
+   "outputs": [],
+   "execution_count": null,
+   "source": "",
+   "id": "7e909e7dc99c7f4a"
   }
  ],
  "metadata": {

private_gpt/components/ingest/ingest_component.py

@@ -136,7 +136,10 @@ class SimpleIngestComponent(BaseIngestComponentWithIndex):
         return saved_documents
 
     def _save_docs(self, documents: list[Document]) -> list[Document]:
-        logger.debug("Transforming count=%s documents into nodes", len(documents))
+        logger.debug(
+            "Transforming count=%s documents into nodes",
+            len(documents) if isinstance(documents, list) else 1,
+        )
         with self._index_thread_lock:
             for document in documents:
                 self._index.insert(document, show_progress=True)

private_gpt/components/ingest/ingest_helper.py

@@ -1,6 +1,8 @@
 import logging
 from pathlib import Path
 
+import tqdm
+import tempfile
 from llama_index.core.readers import StringIterableReader
 from llama_index.core.readers.base import BaseReader
 from llama_index.core.readers.json import JSONReader
@@ -44,8 +46,8 @@ def _try_loading_included_file_formats() -> dict[str, type[BaseReader]]:
 
     default_file_reader_cls: dict[str, type[BaseReader]] = {
         ".hwp": HWPReader,
-        # ".pdf": simple_pdf_extractor if simple_pdf_extractor else PDFReader,
+        # ".pdf": PDFReader,
-        ".pdf": PDFReader,
+        ".pdf": SmartPDFLoader if LLMSHERPA_API_URL else PDFReader,
         ".docx": SmartPDFLoader if LLMSHERPA_API_URL else DocxReader,
         ".pptx": PptxReader,
         ".ppt": PptxReader,
@@ -70,7 +72,7 @@ def _try_loading_included_file_formats() -> dict[str, type[BaseReader]]:
 FILE_READER_CLS = _try_loading_included_file_formats()
 FILE_READER_CLS.update(
     {
-        ".json": JSONReader(),
+        ".json": JSONReader,
     }
 )
 
@@ -88,7 +90,7 @@ class IngestionHelper:
     ) -> list[Document]:
         documents = IngestionHelper._load_file_to_documents(file_name, file_data)
         for document in documents:
-            document.metadata["file_name"] = file_name
+            document.metadata["file_name"] = file_data.as_posix()
         IngestionHelper._exclude_metadata(documents)
         return documents
 
@@ -108,16 +110,44 @@ class IngestionHelper:
                 return string_reader.load_data([file_data.read_text()])
             except Exception as e:
                 logger.error(f"Error reading file as plain text: {e}")
+                raise ValueError(
+                    f"No reader found for extension={extension}, file_name={file_name}"
+                )
 
         logger.debug(
             f"Specific reader found for extension=%s, {reader_cls=}", extension
         )
         if reader_cls.__name__ == "SmartPDFLoader":
-            return reader_cls(llmsherpa_api_url=LLMSHERPA_API_URL).load_data(
+            documents = reader_cls(llmsherpa_api_url=LLMSHERPA_API_URL).load_data(
                 file_data.as_posix()
             )
         else:
-            return reader_cls().load_data(file_data)
+            documents = reader_cls().load_data(file_data)
+
+        if len(documents) == 0 and extension == ".pdf":
+            logger.debug(
+                "No text extracted from PDF, trying to extract images from PDF"
+            )
+            try:
+                import pdf2image
+                import pytesseract
+
+                images = pdf2image.convert_from_path(file_data)
+                documents = []
+
+                for i, image in tqdm.tqdm(enumerate(images)):
+                    text = pytesseract.image_to_string(image, lang="rus")
+                    doc = StringIterableReader().load_data(
+                        [text],
+                    )[0]
+                    doc.metadata["page_label"] = i
+
+                    documents.extend(doc)
+            except Exception as e:
+                logger.error(f"Error extracting images from PDF: {e}")
+                raise ValueError(f"No text extracted from PDF={file_name}")
+
+        return documents
 
     @staticmethod
     def _exclude_metadata(documents: list[Document]) -> None:
@@ -127,4 +157,10 @@ class IngestionHelper:
             # We don't want the Embeddings search to receive this metadata
             document.excluded_embed_metadata_keys = ["doc_id"]
             # We don't want the LLM to receive these metadata in the context
-            document.excluded_llm_metadata_keys = ["file_name", "doc_id", "page_label"]
+            # ToDo currently remove file_name
+            document.excluded_llm_metadata_keys = [
+                # "file_name",
+                "doc_id",
+                "page_label",
+            ]
+            document.excluded_llm_metadata_keys = ["doc_id", "page_label"]

pyproject.toml

@@ -70,6 +70,10 @@ einops = {version = "^0.8.0", optional = true}
 llama-index-readers-smart-pdf-loader = "^0.1.4"
 python-pptx = "^1.0.2"
 pillow = "^10.4.0"
+jupyter = "^1.1.1"
+pypdf2 = "^3.0.1"
+pytesseract = "^0.3.13"
+pdf2image = "^1.17.0"
 
 [tool.poetry.extras]
 ui = ["gradio", "ffmpy"]

scripts/ingest_folder.py

@@ -1,4 +1,4 @@
-#!/usr/bin/env python3
+#!/usr/bin/env pythfon3
 
 import argparse
 import logging