Source code for langchain_community.document_loaders.bibtex

import logging
import re
from pathlib import Path
from typing import Any, Iterator, List, Mapping, Optional

from langchain_core.documents import Document

from langchain_community.document_loaders.base import BaseLoader
from langchain_community.utilities.bibtex import BibtexparserWrapper

logger = logging.getLogger(__name__)


class BibtexLoader(BaseLoader):
    """加载一个`bibtex`文件。

    每个文档代表`bibtex`文件中的一个条目。

    如果在`file` bibtex字段中存在PDF文件，则将原始PDF加载到文档文本中。如果不存在这样的文件条目，则使用`abstract`字段。"""

    def __init__(
        self,
        file_path: str,
        *,
        parser: Optional[BibtexparserWrapper] = None,
        max_docs: Optional[int] = None,
        max_content_chars: Optional[int] = 4_000,
        load_extra_metadata: bool = False,
        file_pattern: str = r"[^:]+\.pdf",
    ):
        """初始化BibtexLoader。

参数：
    file_path: bibtex文件的路径。
    parser: 要使用的解析器。如果为None，则使用默认解析器。
    max_docs: 要加载的关联文档的最大数量。使用-1表示没有限制。
    max_content_chars: 从PDF中加载的最大字符数。
    load_extra_metadata: 是否从PDF中加载额外的元数据。
    file_pattern: 用于匹配bibtex中文件名的正则表达式模式。
"""
        self.file_path = file_path
        self.parser = parser or BibtexparserWrapper()
        self.max_docs = max_docs
        self.max_content_chars = max_content_chars
        self.load_extra_metadata = load_extra_metadata
        self.file_regex = re.compile(file_pattern)

    def _load_entry(self, entry: Mapping[str, Any]) -> Optional[Document]:
        import fitz

        parent_dir = Path(self.file_path).parent
        # regex is useful for Zotero flavor bibtex files
        file_names = self.file_regex.findall(entry.get("file", ""))
        if not file_names:
            return None
        texts: List[str] = []
        for file_name in file_names:
            try:
                with fitz.open(parent_dir / file_name) as f:
                    texts.extend(page.get_text() for page in f)
            except FileNotFoundError as e:
                logger.debug(e)
        content = "\n".join(texts) or entry.get("abstract", "")
        if self.max_content_chars:
            content = content[: self.max_content_chars]
        metadata = self.parser.get_metadata(entry, load_extra=self.load_extra_metadata)
        return Document(
            page_content=content,
            metadata=metadata,
        )

    def lazy_load(self) -> Iterator[Document]:
        """使用bibtexparser加载bibtex文件，并获取文章文本以及文章元数据。
参见https://bibtexparser.readthedocs.io/en/master/

返回：
    一个包含文档文本格式的文档列表
"""
        try:
            import fitz  # noqa: F401
        except ImportError:
            raise ImportError(
                "PyMuPDF package not found, please install it with "
                "`pip install pymupdf`"
            )

        entries = self.parser.load_bibtex_entries(self.file_path)
        if self.max_docs:
            entries = entries[: self.max_docs]
        for entry in entries:
            doc = self._load_entry(entry)
            if doc:
                yield doc