微信扫码
与创始人交个朋友
我要投稿
RAG文本溯源的PDF高亮显示
在网页中集成PDF文档的显示功能并实现RAG文本溯源的高亮处理,是一个并不常见的需求,因此相关的指导资料和教程较少。
本篇文章通过介绍两种工具,来分享一下笔者是如何完成此需求的。
作者
马文澍 | 前端开发工程师
云想衣裳花想容 春风拂槛露华浓
Part1
工具介绍
在web环境下嵌入页面渲染pdf并不是一个常见的需求,这方面的文档教程也是很匮乏的。
先介绍一下要用到的工具包:pdfjs 和 react-pdf;
● pdfjs:https://github.com/mozilla/pdf.js
● react-pdf:https://github.com/mozilla/pdf.js
实际上 react-pdf 是对pdfjs的进一步封装,但是我们的需求中需要高亮段落,所以仅仅使用 react-pdf不能满足需求,故须引入核心库pdfjs
PDFJS是一个用于显示PDF的模块,主要用于前端显示PDF,但是这个库使用起来还是比较复杂的,主要是由于缺乏API文档,很多时候主要是依靠看源码。
pdf的显示主要分为两种模式:一个是svg的格式、另一个是canvas格式;
如果仅显示纯文本的pdf,svg够用了,但是对于包含有图片的复杂pdf,使用canvas模式是一个更好的选择。
Part2
使用说明-业务示例
接下来我们结合业务需求来介绍一下他的使用。
业务需求:高亮PDF中指定的段落,并滚动的高亮位置
需求分析:
● 浏览器中PDF预览
● 搜索匹配PDF中的段落
● 高亮效果
● 滚动到高亮位置
难点分析:
● web环境下预览PDF
● 匹配PDF中的高亮段落
匹配算法(核心)
性能优化
● 高亮样式以及滚动到高亮的位置
● 对于大文件的加载、预览优化
基于此我们开始实现pdf高亮溯源的功能。
安装开发工具包
pnpm add pdfjs-dist react-pdf -S
引入react-pdf组件渲染pdf
<Document
file={file}
{...reastProps}
>
<Page pageNumber={pageNumber}></Page>
</Document>
渲染pdf已经完成了,重要的是高亮pdf中的段落以及自动跳转到高亮位置。
高亮匹配算法
设:
PDF文档: D;
PDF中 的每一页: P1、P2、…、P(n-1)、Pn;
搜索的段落: S;
S在D中有三种情况:
不匹配
单页匹配
跨页匹配
核心逻辑
如果S在P1中匹配,则返回匹配结果
如果P1不匹配,则累加P2到P1,尝试在P1、P2中匹配S
迭代D中的每一页
核心代码如下:
/**
* 按照页解析,pdfjs以TextItem[]的数据格式,将页面的数据暴露出来
* 高亮算法的思路是:
* 0、取出当前page的文本项,放入累加文本中;
* 1、判断累加的文本是否匹配,符合条件的TextItem 打标识
* 2、否则开始下一页(将下一页数据累加到文本中)
*
* resolveItemsChain:由每页的文本项节点组成的链表,头节点空
* pointer一个游荡的指针
*/
export default class DocumentTracker {
maxPage;
trackedPage: number = 0; // 已经解析的页码个数
resolveItemsChain: resolveItemNode; // 头节点
pointer: resolveItemNode | null = null;
resolveText = '';
highlightMap: HighlightMap = new Map();
highlightPageIndexSet: Set<number> = new Set();
readonly regex = /[^\u4e00-\u9fa5a-zA-Z0-9]/g;
constructor(maxPage = 3, regex?: RegExp) {
this.maxPage = maxPage;
this.resolveItemsChain = {
value: [],
next: null,
prev: null
}
}
// 这里使用双向链表来优化算法
async track(items: TextItem[], pageIndex: number, text: string) {
// 最多跨页: maxPage
if (this.trackedPage >= this.maxPage && this.resolveItemsChain.next) {
const len = this.resolveItemsChain.next.value.reduce((prev, cur) => {
return prev.concat(cur.str)
}, '').replace(this.regex, '').length;
this.resolveText = this.resolveText.slice(len)
this.resolveItemsChain.next.prev = null
this.resolveItemsChain.next = this.resolveItemsChain.next.next
}
const resolveItems: TextItem[] = [];
this.pointer = this.resolveItemsChain;
while (this.pointer.next != null) {
this.pointer = this.pointer.next
}
this.pointer.next = {value: resolveItems, next: null, prev: this.pointer} // 双向
this.pointer = this.pointer.next
this.trackedPage += 1;
const searchText = text.replace(this.regex, '');
for (let index = 0; index < items.length; index++) {
resolveItems.push(items[index])
this.resolveText += items[index].str.replace(this.regex, '');
if (this.resolveText.indexOf(searchText) != -1) {
// resolveItems has been searched Text
let str = '';
while (this.pointer.prev) {
const resolveItems = this.pointer.value;
for (let reverseIndex = resolveItems.length - 1; reverseIndex >= 0; reverseIndex--) {
str = resolveItems[reverseIndex].str.replace(this.regex, '') + str;
if(this.highlightMap.has(pageIndex)){
this.highlightMap.get(pageIndex)?.push(reverseIndex)
}else {
this.highlightMap.set(pageIndex, [reverseIndex])
}
this.highlightPageIndexSet.add(pageIndex)
if (str.indexOf(searchText) != -1) {
return true
}
}
this.pointer = this.pointer.prev
}
}
}
return false
}
}
通过高亮算法我们已经拿到了段落的高亮信息:第几页第几项
结下来就是高亮并滚动
滚动到高亮位置
这里我们借用H5锚点来滚动到目标段落,涉及到“打锚点”以及“跳转到锚点”两个关键:
打锚点指的是匹配到目标段落后,标记段落
跳转到锚点就是跳转到高亮的位置,跳转时机很重要,需要在匹配完成,指定段落渲染之后才能跳转到对应的锚点,并且在计算量比较大的单线程环境中,滚动行为容易被打断(页面其他地方平凡的刷新)。需要优化处理滚动的时机。
上述有大量的对于pdf信息的计算存储,对于内存消耗以及cpu资源是十分消耗的,需要进行必要的优化:
优化
网络下载优化
渲染优化
高亮匹配优化
滚动优化
网络下载优化:浏览器缓存策略(对于太大的文件会失效)
● 渲染优化
单线成任务阻塞,web worker渲染PDF
pdfjs.GlobalWorkerOptions.workerSrc = new URL('worker.js', import.meta.url).toString();
只渲染高亮所在的页的文本层,可以提升80%的性能
const renderPDF = (hitInfo) => {
return (page) => {
return hitInfo.has(page)? <Page page={page}></Page> : false;
}
};
● 高亮匹配优化
缓存命中优化:针对每次高亮的信息做缓存
const hitInfo = hit ? cached[hashKey] : calculateHitInfo(hashKey);
快速失败:当高亮信息匹配失败时,抛出异常信息,优先渲染pdf
const getHighlightInfo = () => {
if(failure){
throw Error('some message!')
}
};
try {
const hitInfo = getHighlightInfo();
renderPDF(hitInfo);
} catch {
renderPDF(null);
}
● 滚动优化
页面中如果有大量的计算和渲染任务,那么程序的滚动指令可能会被打断,对此可以使用web api 来判断每一帧执行完成后是否有足够的时间去完成滚动
// 等待其他密集型任务先行执行,寻找每一帧的闲置时间,并且在超时5s放入循环队列,交给事件循环处理此任务
requestIdleCallback((idle) => {
console.log("idle", idle.timeRemaining());
// 滚动指令
}, { timeout: 5000 });
Part3
总结
web环境中页面内嵌渲染PDF是一种常见的需求,但是高亮搜索文档中的段落(不是关键字,段落来自大模型)有难度。
- END -
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-12-23
一文详谈20多种RAG优化方法
2024-12-23
深入RAG工作流:检索生成的最佳实践
2024-12-23
o1 pro “碾压式”洞察:世界顶尖免疫学专家被机器深度分析“惊醒”
2024-12-23
使用 Lang Chain 和 Lang Graph 构建多代理 RAG :分步指南 + Gemma 2
2024-12-23
RAG评估框架:RAG Triad框架及其实战
2024-12-22
2个简单技巧把 RAG 检索准确率从 50% 提高到 95 %
2024-12-22
Browser-Use + LightRAG Agent:可使用 LLM 抓取 99% 的网站
2024-12-22
Dynamic RAG实战:解决知识增强中的动态更新挑战
2024-07-18
2024-05-05
2024-06-20
2024-09-04
2024-05-19
2024-07-09
2024-07-09
2024-07-07
2024-07-07
2024-06-13
2024-12-21
2024-12-14
2024-12-01
2024-11-27
2024-11-25
2024-11-06
2024-11-06
2024-11-05