Nuclia

Nuclia 自动索引来自任何内部和外部来源的非结构化数据，提供优化的搜索结果和生成的答案。它可以处理视频和音频转录、图像内容提取和文档解析。

Nuclia Understanding API 支持非结构化数据的处理，包括文本、网页、文档和音频/视频内容。它提取所有文本，无论它们在哪里（在需要时使用语音转文本或OCR），还提取元数据、嵌入文件（如PDF中的图像）和网页链接。如果启用机器学习，它会识别实体，提供内容摘要并为所有句子生成嵌入。

设置

要使用 Nuclia Understanding API，您需要拥有一个 Nuclia 账户。您可以在 https://nuclia.cloud 免费创建一个账户，然后 创建一个 NUA 密钥。

%pip install --upgrade --quiet  protobuf
%pip install --upgrade --quiet  nucliadb-protos

import os

os.environ["NUCLIA_ZONE"] = "<YOUR_ZONE>"  # 例如：europe-1
os.environ["NUCLIA_NUA_KEY"] = "<YOUR_API_KEY>"

示例

要使用 Nuclia 文档加载器，您需要实例化一个 NucliaUnderstandingAPI 工具：

from langchain_community.tools.nuclia import NucliaUnderstandingAPI

nua = NucliaUnderstandingAPI(enable_ml=False)

from langchain_community.document_loaders.nuclia import NucliaLoader

loader = NucliaLoader("./interview.mp4", nua)

您现在可以在循环中调用 load 文档，直到获取到文档。

import time

pending = True
while pending:
    time.sleep(15)
    docs = loader.load()
    if len(docs) > 0:
        print(docs[0].page_content)
        print(docs[0].metadata)
        pending = False
    else:
        print("waiting...")

检索到的信息

Nuclia 返回以下信息：

• 文件元数据
• 提取的文本
• 嵌套文本（如嵌入图像中的文本）
• 段落和句子的拆分（由其第一个和最后一个字符的位置定义，以及视频或音频文件的开始时间和结束时间）
• 链接
• 缩略图
• 嵌入文件

注意：

生成的文件（缩略图、提取的嵌入文件等）作为一个令牌提供。您可以通过 /processing/download 端点 下载它们。

在任何层级，如果某个属性超过一定大小，它将被放入可下载文件中，并在文档中由文件指针替换。其内容将是 {"file": {"uri": "JWT_TOKEN"}}。规则是如果消息的大小超过 1000000 个字符，将会把最大的部分移动到可下载文件中。首先，压缩过程将针对向量。如果这还不够，它将针对大字段元数据，最后将针对提取的文本。

相关

• 文档加载器 概念指南
• 文档加载器 操作指南