跳到主要内容
Open In ColabOpen on GitHub

Nuclia

Nuclia 自动索引您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、图像内容提取和文档解析。

Nuclia Understanding API 支持处理非结构化数据,包括文本、网页、文档以及音频/视频内容。它能提取所有文本(必要时使用语音转文本或 OCR),还能提取元数据、嵌入文件(如 PDF 中的图片)和网页链接。如果启用了机器学习,它会识别实体,提供内容摘要并为所有句子生成嵌入。

设置

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,然后创建 NUA 密钥

%pip install --upgrade --quiet  protobuf
%pip install --upgrade --quiet nucliadb-protos
import os

os.environ["NUCLIA_ZONE"] = "<YOUR_ZONE>" # e.g. europe-1
os.environ["NUCLIA_NUA_KEY"] = "<YOUR_API_KEY>"

示例

要使用 Nuclia 文档加载器,您需要实例化一个 NucliaUnderstandingAPI 工具

from langchain_community.tools.nuclia import NucliaUnderstandingAPI

nua = NucliaUnderstandingAPI(enable_ml=False)
from langchain_community.document_loaders.nuclia import NucliaLoader

loader = NucliaLoader("./interview.mp4", nua)
API 参考:NucliaLoader

您现在可以循环调用 load 方法来加载文档,直到获得文档。

import time

pending = True
while pending:
time.sleep(15)
docs = loader.load()
if len(docs) > 0:
print(docs[0].page_content)
print(docs[0].metadata)
pending = False
else:
print("waiting...")

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(如嵌入图片中的文本)
  • 段落和句子分割(由其首尾字符的位置定义,视频或音频文件还包括开始时间和结束时间)
  • 链接
  • 缩略图
  • 嵌入文件

注意

生成的文件(缩略图、提取的嵌入文件等)以令牌形式提供。您可以通过 /processing/download 端点下载它们。

此外,在任何级别,如果某个属性超出特定大小,它将被放入可下载文件中,并在文档中被文件指针替换。文件指针将包含 {"file": {"uri": "JWT_TOKEN"}}。规则是,如果消息大小超过 1000000 个字符,最大的部分将被移动到可下载文件中。首先,压缩过程将针对向量。如果这还不够,它将针对大型字段元数据,最后将针对提取的文本。