如何在AWS Bedrock上使用Claude 3 API实现PDF文档摘要？

针对你提出的核心问题，直接给出明确解决方案：

1. 是否需要先提取PDF文本再发送给Claude？ #

是的，必须先提取PDF中的文本内容。当前Bedrock上的Claude 3系列模型（Sonnet/Opus/Haiku）不支持直接传入PDF文件作为输入，仅能接收文本或Base64编码的图片。你可以用Python的PyPDF2或pdfplumber库提取PDF文本，示例代码片段：

import pdfplumber

def extract_pdf_text(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text += page.extract_text() or ""
    return text

2. 是否有类似图片的直接处理方式？ #

没有。Claude 3在Bedrock的API仅支持text和image类型的content输入，不支持直接上传或编码PDF文件作为输入项，因此必须先完成PDF文本提取，再将文本传入API。

3. PDF包含图片该如何处理？ #

分两种场景处理：

• 图片含文字（如扫描件、内嵌文字图片）：先用OCR工具（比如pytesseract）识别图片中的文字，将识别结果和PDF提取的文本合并后，一起发送给Claude生成摘要。
• 纯图形图片（无文字）：将图片转为Base64编码，和PDF提取的文本一起放入请求的content数组中，让Claude结合文本与图片内容生成摘要。

整合处理的示例代码 #

基于你现有的函数，扩展为支持带图片的PDF处理：

import json
import pdfplumber
import pytesseract
from PIL import Image
import base64
from io import BytesIO

def extract_pdf_content(pdf_path):
    content = []
    # 提取PDF文本
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 提取页面文本
            page_text = page.extract_text() or ""
            text += page_text
            # 处理页面中的图片
            for img in page.images:
                img_obj = Image.open(BytesIO(img["stream"]))
                # 尝试OCR识别图片文字
                img_text = pytesseract.image_to_string(img_obj)
                if img_text.strip():
                    text += "\n" + img_text
                else:
                    # 纯图形图片转为Base64
                    buffer = BytesIO()
                    img_obj.save(buffer, format="PNG")
                    img_base64 = base64.b64encode(buffer.getvalue()).decode("utf-8")
                    content.append({"type": "image", "source": {"type": "base64", "media_type": "image/png", "data": img_base64}})
    # 添加文本内容到最前面
    content.insert(0, {"type": "text", "text": f"请对以下PDF内容生成摘要：\n{text}"})
    return content

def invoke_claude_3_with_pdf(self, pdf_path):
    client = self.bedrock_client
    model_id = "anthropic.claude-3-sonnet-20240229-v1:0"
    content = extract_pdf_content(pdf_path)

    try:
        response = client.invoke_model(
            modelId=model_id,
            body=json.dumps(
                {
                    "anthropic_version": "bedrock-2023-05-31",
                    "max_tokens": 2048,
                    "messages": [
                        {
                            "role": "user",
                            "content": content,
                        }
                    ],
                }
            ),
        )

        result = json.loads(response.get("body").read())
        input_tokens = result["usage"]["input_tokens"]
        output_tokens = result["usage"]["output_tokens"]
        output_list = result.get("content", [])
        return output_list, input_tokens, output_tokens
    except Exception as e:
        print(f"API调用失败：{str(e)}")
        return None, 0, 0

内容的提问来源于stack exchange，提问作者Naxi