使用unstructured分割PDF时遇NameError及ocr_languages错误的解决

我尝试用Python的unstructured、unstructured[pdf]库分割包含文本、表格、图片的PDF文件，遇到了无法解决的错误。

操作代码 #

from unstructured.partition.pdf import partition_pdf

path = '/content/'
file_name = 'ABCABC.pdf'

raw_pdf_elements = partition_pdf(
    filename=path + file_name,
    extract_images_in_pdf=True,
    infer_table_structure=True,
    chunking_strategy="by_title",
    max_characters=4000,
    new_after_n_chars=3800,
    combine_text_under_n_chars=2000,
    image_output_dir_path=path
)

首次报错信息 #

NameError: name 'sort_page_elements' is not defined

环境信息 #

• Python：3.9.19
• unstructured：0.15.1（也曾尝试0.7.12和0.12.2版本）
• 操作系统：Ubuntu 20.04

无效尝试及新错误 #

尝试过安装numpy（1.26.4）和opencv-python（4.10.0.84）的解决方案，但无效。重新激活环境后出现新错误：

get_model() got an unexpected keyword argument 'ocr_languages'

最终解决步骤 #

• 为partition_pdf函数添加额外参数，例如：languages=["vie"]
• 下载对应语言的Tesseract训练数据
• 设置环境变量：export TESSDATA_PREFIX=你的tessdata文件夹路径（即训练数据所在的文件夹）

内容的提问来源于stack exchange，提问作者happy