RAG(四) LangChain 使用PyPDFLoader加载 PDF 并实现内容总结功能

一、核心知识点解析

1. PyPDFLoader 详细用法（重点补充）

PyPDFLoader是 LangChain-Community 库中最常用的 PDF 加载器之一，底层基于pypdf库实现，专门用于从 PDF 文件中提取文本内容，并封装为 LangChain 标准的Document对象。

1.1 基本初始化

# 方式1：本地文件路径（推荐） loader = PyPDFLoader("./pdf/a.pdf") # 方式2：远程PDF文件URL（需确保网络可访问） loader = PyPDFLoader("https://example.com/sample.pdf")

• 支持本地绝对路径 / 相对路径、远程 HTTP/HTTPS URL。
• 若文件不存在 / URL 无法访问，会直接抛出FileNotFoundError或网络相关异常。

1.2 核心方法

示例对比：

# 1. load()：所有内容合并为1个Document full_doc = loader.load() print(f"load()返回数量：{len(full_doc)}") # 输出：1 print(f"内容：{full_doc[0].page_content[:100]}") # 前100个字符 # 2. load_and_split()：按页面分割为多个Document page_docs = loader.load_and_split() print(f"load_and_split()返回数量：{len(page_docs)}") # 输出：PDF的总页数 print(f"第1页内容：{page_docs[0].page_content[:100]}") # 3. lazy_load()：惰性加载（适合超大PDF） for doc in loader.lazy_load(): print(f"当前页内容：{doc.page_content[:50]}") break # 仅演示，实际可遍历所有页

1.3 Document 对象结构

PyPDFLoader返回的Document对象是 LangChain 处理非结构化数据的标准格式，核心属性：

# 取第1页的Document对象 page = page_docs[0] # 核心属性1：页面文本内容（最常用） print(page.page_content) # 核心属性2：元数据（包含PDF的关键信息） print(page.metadata) # 典型输出： # { # 'source': './pdf/a.pdf', # 文件路径/URL # 'page': 0 # 页码（从0开始计数） # }

• page_content：字符串类型，存储当前页的纯文本内容（去除 PDF 格式、图片、表格，仅保留文字）。
• metadata：字典类型，存储文件来源、页码等元数据，可用于后续的内容溯源、分页总结等场景。

1.4 高级用法：指定页码范围加载

若只需加载 PDF 的部分页面（如仅第 1-5 页），可结合切片实现：

# 步骤1：先惰性加载所有页 all_pages = list(loader.lazy_load()) # 步骤2：切片获取指定页码（0为第1页，左闭右开） target_pages = all_pages[0:5] # 第1-5页 # 步骤3：拼接指定页的内容 target_content = "\n".join([p.page_content for p in target_pages])

在大模型应用开发中，处理 PDF 文档并基于文档内容进行分析、总结是非常常见的需求。LangChain 作为一站式的 LLM 应用开发框架，提供了简洁高效的 PDF 处理工具链。本文将基于实际代码，详细讲解如何使用 LangChain 加载 PDF 文件、提取文本内容，并调用 DeepSeek 大模型完成文档总结。

二、环境准备

在开始编码前，需要先安装所需的依赖包，并配置 API 密钥：

1. 安装依赖

# 核心依赖：LangChain框架及PDF处理库 pip install langchain langchain-community langchain-core langchain-openai # PDF处理依赖（PyPDFLoader底层依赖pypdf） pip install pypdf python-dotenv

2. 配置 API 密钥

创建.env文件，填入 DeepSeek 的 API 密钥（需提前在 DeepSeek 官网申请）：

env

DEEPSEEK_API_KEY=你的deepseek_api_key

三、完整代码实现

以下是加载 PDF 并实现内容总结的完整可运行代码，每一步都添加了详细注释：

# 1. 导入PDF加载器 from langchain_community.document_loaders import PyPDFLoader # 初始化PDF加载器，指定PDF文件路径 # 注意：请将路径替换为你自己的PDF文件路径 loader = PyPDFLoader("./pdf/a.pdf") # 加载PDF并按页面分割（返回Document对象列表） pages = loader.load_and_split() # 2. 拼接所有页面的文本内容 docs = "" for item in pages: # page_content是Document对象中存储文本内容的核心属性 docs += item.page_content # 3. 配置提示词模板 from langchain_core.prompts import ChatPromptTemplate # 定义总结用的提示词模板，{context}是动态填充的PDF文本内容 template = """ {context} 总结上面的内容 """ # 将模板转换为LangChain可调用的Prompt对象 prompt = ChatPromptTemplate.from_template(template) # 4. 配置大模型和输出解析器 from langchain_core.output_parsers import StrOutputParser import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from pydantic import SecretStr # 加载.env文件中的环境变量 load_dotenv() # 初始化DeepSeek大模型（兼容OpenAI接口规范） llm = ChatOpenAI( base_url="https://api.deepseek.com/v1", # DeepSeek的API基础地址 model="deepseek-chat", # 使用的模型名称 api_key=SecretStr(os.environ["DEEPSEEK_API_KEY"]), # 从环境变量读取API密钥 ) # 初始化输出解析器（将LLM的输出转换为字符串） outputParser = StrOutputParser() # 5. 构建链式调用并执行总结 # LangChain的Runnable接口：Prompt -> LLM -> 输出解析器 chain = prompt | llm | outputParser # 调用链，传入PDF文本内容作为context参数 result = chain.invoke({"context": docs}) # 打印总结结果 print(result)