·发表于Towards Data Science ·阅读时间：9 分钟·2024 年 11 月 1 日
--
在大型 PDF 文件中找到关键信息是一项挑战，Python 可以帮助解决这个问题。图像由Leonardo AI生成
可携带文档格式（PDF）自Adobe于 1990 年代初期推出以来，一直在数字世界中流传。PDF 格式旨在保留不同设备间的格式一致性，因此迅速成为了分享合同、年度报告和复杂财务文件的首选格式。
在金融、法律服务以及许多（如果不是全部）其他行业中，PDF 至今仍然是主流格式。任何人都可以打开 PDF 文件，并且无论使用什么阅读器，它都会以相同的方式显示。这对于不应改变的文件是一种优势——与可编辑的 Word 或 PowerPoint 文件不同。
PDF 的一个缺点是它们是为人眼设计的。换句话说，如果你想处理一个 400 页的报告，你最初可能需要手动打开它，并至少自己滚动到相关部分。当处理存储在 PDF 中的大量数据时，这就成了一个问题。
在如此庞大的文件上训练聊天机器人仍然具有挑战性，更不用说它非常耗能了。即便成功，最先进的聊天机器人在被询问文件内容时，给出的回答也最多是靠不住的。为了使这种聊天机器人更好地适应类型……