Nuclia 理解
Nuclia 能够自动索引来自任何内部和外部来源的非结构化数据,提供优化的搜索结果和生成式答案。它可以处理视频和音频转录、图像内容提取以及文档解析。
Nuclia Understanding API
支持处理非结构化数据,包括文本、网页、文档和音频/视频内容。它可以提取所有文本内容(在需要时使用语音转文字或 OCR),识别实体,提取元数据、嵌入文件(例如 PDF 中的图像)和网页链接。此外,它还可以提供内容摘要。
要使用 Nuclia Understanding API
,您需要拥有一个 Nuclia
账户。您可以在 https://nuclia.cloud 免费创建一个账户,然后 创建一个 NUA 密钥。
%pip install --upgrade --quiet protobuf
%pip install --upgrade --quiet nucliadb-protos
import os
os.environ["NUCLIA_ZONE"] = "<YOUR_ZONE>" # 例如 europe-1
os.environ["NUCLIA_NUA_KEY"] = "<YOUR_API_KEY>"
from langchain_community.tools.nuclia import NucliaUnderstandingAPI
nua = NucliaUnderstandingAPI(enable_ml=False)
您可以使用 push
操作将文件推送到 Nuclia Understanding API。由于处理是异步进行的,结果可能以与推送文件不同的顺序返回。这就是为什么您需要提供一个 id
来将结果与相应的文件匹配。
nua.run({"action": "push", "id": "1", "path": "./report.docx"})
nua.run({"action": "push", "id": "2", "path": "./interview.mp4"})
您现在可以在循环中调用 pull
操作,直到获取 JSON 格式的结果。
import time
pending = True
data = None
while pending:
time.sleep(15)
data = nua.run({"action": "pull", "id": "1", "path": None})
if data:
print(data)
pending = False
else:
print("waiting...")
您还可以在 async
模式下一步完成,只需进行一次推送,它将等待直到结果被拉取。
import asyncio
async def process():
data = await nua.arun(
{"action": "push", "id": "1", "path": "./talk.mp4", "text": None}
)
print(data)
asyncio.run(process())
检索到的信息
Nuclia 返回以下信息:
文件元数据
提取的文本
嵌套文本(例如嵌入图像中的文本)
摘要(仅当
enable_ml
设置为True
时)段落和句子的分割(由它们的第一个和最后一个字符的位置定义,以及视频或音频文件的开始时间和结束时间)
命名实体:人物、日期、地点、组织等(仅当
enable_ml
设置为True
时)链接
缩略图
嵌入文件
文本的向量表示(仅当
enable_ml
设置为True
时)
注意:
生成的文件(缩略图、提取的嵌入文件等)将作为令牌提供。您可以使用 /processing/download
端点 下载它们。
此外,在任何级别上,如果属性超过一定大小,它将被放入可下载的文件中,并将在文档中用文件指针替换。这将包括 {"file": {"uri": "JWT_TOKEN"}}
。规则是,如果消息的大小超过 1000000 个字符,最大的部分将被移动到可下载的文件中。首先,压缩过程将针对向量。如果这还不够,它将针对大字段元数据,最后它将针对提取的文本。