unified 文本处理

2023-06-28

本文共2042字。

简介

Pandoc、unstructured 和 unified 都是用于文本转换的工具，但各自有不同的特点和应用场景。

Pandoc Pandoc 是一个开源的文档转换器，可以将多种标记语言（如 Markdown、HTML、LaTeX 等）之间相互转换，支持多种输出格式（如 PDF、Word、HTML、ePub 等）。Pandoc 可以通过命令行或 API 调用进行使用。
Unstructured Unstructured 是一个基于 Python 的文本处理库，主要用于从非结构化文本中提取出结构化信息。它可以帮助用户识别文本中的实体、事件、关系等，并将其转换为易于分析的结构化数据。 Unstructured 适用于大数据挖掘、自然语言处理、情感分析等领域。
Unified Unified 是一个通用的 AST 转换库，可以将不同的文本格式转换为抽象语法树（AST），并在这个层次上执行转换操作。Unified 支持多种标记语言（如 HTML、Markdown、XML、CSS 等），可以通过插件机制扩展功能。

比较

特性	Pandoc	unstructured	Unified
编程语言	haskell	Python	Javascript
输入格式转换	√	×	√
输出格式转换	√	×	√
自定义输入格式	√	×	√
自定义输出格式	√	×	√
输入文件多样化	√	√	√
输出文件多样化	√	√	√
API支持	×	√	√
文档可扩展性	√	×	√
支持插件系统	×	×	√

注：√表示该库或工具具备该特性，×表示该库或工具不具备该特性。

Pandoc的过滤器

Pandoc 的工作原理和编译器没啥区别，都是做语法解析，变成抽象语法树，再转换成目标文件。

Pandoc是可编程的。在AST级别，可通过编程修改AST节点，然后转换成目标文件。两种方式，

AST由Json表示，通过filter修改json文件。
AST是内部数据结构，通过lua-filter来修改AST的节点。

例子

lua filter用于去掉 `<span> </span>` 的外层标签。

1
2
3

function Span(elem)
  return elem.content
end

只保留http(s)的链接，其余去掉 `<a> </a>` 外层标签

function Link(elem)
  if elem.target:match("^https?://") then
    return elem
  else
    return elem.content
  end
end

表格样式简化

这是一个实际的例子，功能是

去掉了表格的各种样式。
把宽度为0的格子去掉。
把非head的可能是表头的第一行变成head。

这样做的目的，主要是从docx转换成markdown，能得到简单的表格。否则，pandoc会直接输出html的表格，比较冗余。

logging = require "logging"
tb_cnt = 0

function Table (tbl)
  --logging.temp(tbl.bodies[1].body)
  local nspecs = tbl.colspecs:filter(function (colspec)
      local width = colspec[2]
      return width == nil or width > 0.003
  end)
  if tbl.colspecs ~= nspecs then
    logging.warning("table has unexpected column widths")
    tbl.colspecs = nspecs
    tbl.bodies = tbl.bodies:map( function(b)
      --logging.temp(b.body)
      b.body = b.body:map( function(row)
        row.cells = row.cells:filter( function(cell)
          return cell.contents ~= nil
        end
        )
        return row
      end)
    end)
  end
  tbl.bodies = tbl.bodies:map( function (b)
    b.body = b.body:map( function(row)
      row.cells = row.cells:map (function(cell)
        cell.contents = pandoc.utils.stringify(cell.contents):gsub('\n', '')
        return cell
      end)
      row.attr = nil
      
      return row
    end)
    local first_row = b.body[1]
    if first_row ~= nil and #first_row.cells == 1 then
      if #tbl.caption.long == 0 then
        tbl.caption.long = first_row.cells[1].contents
        tbl.caption.short = pandoc.utils.stringify(first_row.cells[1].contents)
        b.body:remove(1)
      end
    end
    if #tbl.head.rows == 0 and #b.body > 0 then
        tbl.head.rows:insert( b.body:remove(1))
    end
    return b
  end)
  if tb_cnt == 0 then
    logging.debug(tbl.caption)
  end
  tb_cnt = tb_cnt + 1
  -- filter out the column widths that are too small
  return tbl
end

unstrctured

我自己关注unstructured是因为要解析 pdf文档。解析pdf文档的目的在于切成文本串，放到数据库里以便查询。pdf文档是输出类型的文档，不像word专注编辑，也不像markdown那样专注于文本，因而解析pdf并不容易。pdf的类别比较多，主要分为图像类的和文本类。

如果是图像类，得做OCR才能进一步处理。

如果是文本类或者经过OCR处理之后，有以下难点：

页头页脚各个文档不一致
表格不容易识别
公式不容以识别
插图如何提取并在恰当的地方引用
双栏不容易识别

如果一股脑的提取所有文本，则显然质量不够好。对人类来说容易理解的PDF输出文档，对计算机来说却并不容易。unstructured 库可利用机器学习算法进行内容分段，算是有所进步。这块没深入研究，在此仅仅做个记录。

关于图像中的公式识别，倒是有一个非常好的第三方工具，Mathpix，可以把图像的公式变成Latex文本。并且这个工具还可以整片的转换pdf文档为 Mathpix 的Markdown格式，我测试了一下，效果非常不错。

unified

UnifiedJS 是一个用于处理和转换文本的 JavaScript 库。它提供了一种统一的方式来解析、转换和序列化各种不同格式的文本，如 > Markdown、HTML、JSON、CSS 等。 UnifiedJS 的核心思想是使用抽象语法树（AST）作为中间表示形式，通过将文本解析为 AST，再对 AST 进行处理和转换，最后将其转回文本形式。这种方式使得开发者能够灵活地操作和处理文本内容，而无需关心具体的输入和输出格式。

UnifiedJS 采用模块化设计，提供了一系列插件，每个插件负责处理特定的任务，例如解析、转换、序列化等。开发者可以根据自己的需求选择合适的插件进行组合，从而构建出符合自己需求的文本处理流程。

UnifiedJS 还提供了一些附加工具，如 lint 工具用于检查文本内容的规范性，remark-cli 命令行工具用于在命令行中使用 UnifiedJS。

总之，UnifiedJS 是一个功能强大、灵活易用的文本处理库，它可以帮助开发者处理和转换各种不同格式的文本内容，提高开发效率。

以上简介来自ChatGPT。我看没啥问题，直接拷贝过来了。因此，unified和pandoc是非常类似的，也是以AST为核心。unified项目立项较晚，比Pandoc晚了10年。

Unified 项目始于 2016 年。它最初由 John-David Dalton 发起，旨在创建一个通用的 JavaScript 工具链，用于处理和转换各种不同格式的文本。

最初的版本是由 John-David Dalton 独立开发的，并在 GitHub 上进行开源发布。随着时间的推移，越来越多的开发者对该项目感兴趣并加入了贡献。Unified 逐渐成为一个活跃的开源社区，拥有众多的贡献者和用户。

Pandoc 项目始于 2006 年。它由约翰·麦克唐纳（John MacFarlane）创立，最初是作为他在哈佛大学的博士论文工具的一部分而开发的。

约翰·麦克唐纳当时需要一个通用的文档转换工具，可以将他的 Markdown 格式的论文转换为其他格式，例如 HTML、PDF 等。然而，当时可用的工具并没有满足他的需求，于是他决定自己开发一个更灵活和强大的文档转换工具，这就是 Pandoc 诞生的原因。

最初的版本是使用 Haskell 编程语言开发的，并在 GitHub 上进行开源发布。随着时间的推移，Pandoc 在全球范围内得到了广泛的认可和应用，成为了一种流行的文档转换工具。它支持多种输入和输出格式，包括 Markdown、HTML、PDF、DOCX 等，具有强大的功能和灵活的配置选项。

小结

文本预处理和数据清洗是非常重要的工作，需要好的工具。本文记录一些好工具和编程方法，备忘。另外，我发现好的项目都下面这个特点：

模块化的设计，围绕一个核心来组织各种代码模块往往更有生命力。

例如 Pandoc和 unified，都围绕AST组织代码。又如 fastify，围绕HTTP的插件组织代码。

另外的趋势就是AI会植入各种工具和流程。例如unstructured会用AI做布局分析。

简介

比较