系列教程 | 用Jina搭建PDF搜索引擎Part 3

前两篇文章讲解了PDF搜索的操作方法，本期推送将讲解构建PDF搜索引擎的经验和教训。

之前我们以一个案例为代表讲述的PDF搜索引擎的构建，并不能包揽全部PDF搜索的种类和情况。

我们的初始版本如下：

https://github.com/alexcg1/ex...

它旨在：
01

具有通用性，并能很好地处理任何类型的PDF数据（强调工作良好 - 仅仅返回结果并不意味着它是好的 - 它需要返回高质量的结果）。

02

跨模态搜索，因此你可以使用图像/文本作为输入/输出。

初始版本结果

结果是次优的。我将一些从维基百科下载的 PDF 文件作为示例数据集，从那儿我们可以找到任何事物的维基百科搜索页面。

但数据科学的基本规则是：绝大部分的工作都在于根据用例做数据预处理。由于每个潜在的使用案例都有截然不同的数据，因此花费数小时将维基百科 PDF 整理好没有多大意义。

例如，在搜索“兔子耳朵”时：

我们可以得到简短的无序列表的文本片段，这些文本片段只有URL链接或者是只有几个单词长的字符串。

尽管关于兔子耳朵的句子被索引了，但是其中大多数只是关于兔子的，没有提到耳朵。

与一些不太相关的匹配结果相比，最相关的匹配得分较低（在余弦中，分数越低意味着相关性越高）。

尽管键入了所述图像的描述且被索引，但是都无法返回图像。

结果失败原因

01

编码器或模型本身不够好（反驳：CLIP 虽然不适合文本，但是至少是可用的。）

02

也许数据集本身太小了（反驳：虽然它只是几个PDF，但被分解成几千块，其中许多是完整的句子或图像。）

03

索引（*尾注，文本片段，对书页的引用）不是“真实内容”，编码器无法解读其中的大部分内容。（解释：可能是主要问题）

如何调整PDF搜索以适应他人建立的PDF？

到目前为止，在PDF搜索中大多数人都希望只关注文本，这并非坏事。

以前我们试图搜索文本和图像，需要一个编码器可以将两者都嵌入到一个公共向量空间中。即 CLIPEncoder（如下所示）：

https://hub.jina.ai/executor/...

CLIP 非常擅长图像搜索，但是文本搜索体验较为一般！

我们可以用什么来代替CLIP？

如果我们只处理文本，我们可以使用其他编码器，例如：

01

SpacyTextEncoder：支持多种语言，速度快，适合通用文本。

参考链接：

https://hub.jina.ai/executor/...

02

TransformerTorchEncoder：支持多种语言和特殊例子（例如医学文本搜索）。

参考链接：

https://hub.jina.ai/executor/...

我们将建造什么样的搜索引擎？

移动部件更少就能够更清楚地看到工作细节，我们可以采用这种策略构建搜索引擎。

因此，我们我们将为简单文本PDF构建一个搜索引擎，文本不需要太多预处理：

1、删除页码。

2、删除尾注、脚注。

3、处理大量引用和意外标点符号（如 ）。Fly-fishing for Dummies, 1988 Penguin Press, A.Albrechtson et al, pp.3–8. http://penguin.com/flyfishing

4、在分页符之间合并文本块。

简而言之，剥离所有可能使编码器无法运作的事物。启动运行后，我们就可以开始考虑：

1、更复杂的 PDF（逐渐增加）。

2、多语言搜索（已经存在用于此的模型）。

3、搜索文本和图像。

欢迎提出对 PDF 搜索的想法！如果您有任何想法，通过https://slack.jina.ai/加入我们的Slack，并在#projects-pdf 频道和我们进一步探讨。