from unstructured.partition.pdf import partition_pdf
from unstructured.chunking.title import chunk_by_title
partition_pdf 和 chunk_by_title 初看有点像，都在"分块"，但是它们的本质完全不一样。
先看它们核心区别
| partition_pdf | chunk_by_title | |
|---|---|---|
| 是什么？ | 把PDF文件里的东西分成"小单元"（比如标题、正文、表格、图片） | 把已经分好的小单元，按照"标题"去组合成完整段落或章节 |
| 输入是？ | PDF 文件本身 | partition_pdf 处理后的小单元列表 |
| 输出是？ | 小块小块的元素（title, text, table, image…），但每块可能很碎 | 章节级别的大块，一章一章连在一起 |
| 什么时候用？ | 一开始拿到 PDF 时，想"拆开原始内容" | 后处理，用来按"标题"智能组织文本 |
| 举例 | 像拿一张纸撕成小碎片 | 把碎片按章节重新组装成故事书 |
更直白的类比（重点）
假设我们有一份 PDF ：
第一页：大标题：机器学习入门内容：机器学习是...第二页：小标题：监督学习内容：监督学习是...第三页：小标题：无监督学习内容：无监督学习是...
partition_pdf 做的事情是：
- 机器地扫描这份 PDF，把它切成最小的独立单元：
- 一个标题是一个单元
- 一个段落是一个单元
- 一个表格是一个单元
- 一个图片是一个单元
- 它分得非常细！
- 得到的列表元素长得像：
[标题：机器学习入门]
[段落：机器学习是...]
[标题：监督学习]
[段落：监督学习是...]
[标题：无监督学习]
[段落：无监督学习是...]
注意：这里标题和正文是分开的，互相不连着！
chunk_by_title 做的事情是：
- 拿到上面这些小碎片后，按照标题出现的位置去智能组合，形成一个个逻辑完整的块。
- 比如遇到一个标题，就开始收集下面的段落，一直到下一个标题。
- 最后变成：
【第1块】机器学习入门机器学习是...
【第2块】监督学习监督学习是...
【第3块】无监督学习无监督学习是...
感觉很像一章一章的组织成册
总结成一句大白话
partition_pdf 是打碎 PDF 的锤子，
chunk_by_title 是按标题把碎片重新拼起来的胶水。
它俩是一个在"碎"，一个在"组合"，是配合使用的。
再用代码流程举例
from unstructured.partition.pdf import partition_pdf
from unstructured.chunking.title import chunk_by_title# 先拿到碎片（小元素）
elements = partition_pdf(filename="example.pdf")
# elements 是列表，每一项是一个小块（标题/段落/表格/图片等），彼此独立# 然后按标题组合
chunks = chunk_by_title(elements)
# chunks 是列表，每一项是按标题组织好的完整小节
直观对比一下数据结构
用 partition_pdf 后：
[Element(type="Title", text="机器学习入门"),Element(type="NarrativeText", text="机器学习是..."),Element(type="Title", text="监督学习"),Element(type="NarrativeText", text="监督学习是..."),Element(type="Title", text="无监督学习"),Element(type="NarrativeText", text="无监督学习是..."),
]
每个Element是小碎块，标题和正文是分开的。
用 chunk_by_title 后：
[Chunk(text="机器学习入门\n机器学习是..."),Chunk(text="监督学习\n监督学习是..."),Chunk(text="无监督学习\n无监督学习是..."),
]
每个Chunk是完整的一章章的内容了（标题和正文合在一起）。
为什么要这样设计？
- PDF 文件的格式五花八门，直接提取文本经常乱七八糟。
- 先 partition（打碎）是为了最大限度识别结构。
- 再 chunk（组装）是为了适配各种应用，比如做摘要、问答、索引库。
👉 否则你直接全文提取，一大坨，分不清哪里是标题哪里是正文，后续很难做高质量处理。
小结核心思想
| 阶段 | 目的 | 结果 |
|---|---|---|
| partition_pdf | 最大限度地细致识别 PDF 结构 | 生成"元素列表" |
| chunk_by_title | 根据标题组织结构，便于后续处理 | 生成"章节列表" |
💪 一个超直观的小演示！
场景设定（假设有一个简单的 PDF）
PDF 内容：
第1页：【大标题】人工智能入门【正文】人工智能是计算机科学的一个分支...第2页：【小标题】机器学习【正文】机器学习是人工智能的重要子领域...第3页：【小标题】深度学习【正文】深度学习是机器学习中的一种方法...
第一步 —— partition_pdf 处理后的结果（碎片元素）
用 partition_pdf(filename="xxx.pdf") 得到的 elements 可能是这样：
elements = [Element(type="Title", text="人工智能入门"),Element(type="NarrativeText", text="人工智能是计算机科学的一个分支..."),Element(type="Title", text="机器学习"),Element(type="NarrativeText", text="机器学习是人工智能的重要子领域..."),Element(type="Title", text="深度学习"),Element(type="NarrativeText", text="深度学习是机器学习中的一种方法..."),
]
特点：
- 一个标题是一个元素
- 一个正文是一个元素
- 彼此是分开的
- 没有合并
第二步 —— chunk_by_title 把碎片重新组织
调用 chunk_by_title(elements) 后，得到的 chunks 是：
chunks = [Chunk(text="人工智能入门\n人工智能是计算机科学的一个分支..."),Chunk(text="机器学习\n机器学习是人工智能的重要子领域..."),Chunk(text="深度学习\n深度学习是机器学习中的一种方法..."),
]
特点：
- 一个 Chunk 里包含：
- 当前的标题
- 下面关联的正文
- 自动组合在一起了
- 更像一章一章的内容块了
过程动图类比（文字版）
[Title: 人工智能入门] ——→ 开始新块
[NarrativeText: 人工智能是...] ——→ 加到当前块[Title: 机器学习] ——→ 发现新标题！开始新块
[NarrativeText: 机器学习是...] ——→ 加到当前块[Title: 深度学习] ——→ 发现新标题！开始新块
[NarrativeText: 深度学习是...] ——→ 加到当前块
每遇到一个新的标题，就切断当前块，开启一个新的块。
对比一下结构变化（最直观表格版）
| 阶段 | 内容结构 |
|---|---|
| partition_pdf 后 | 一堆小碎片：标题、正文互相独立 |
| chunk_by_title 后 | 每个标题带上对应正文，形成逻辑完整的小节 |
用代码跑一下：
from unstructured.partition.pdf import partition_pdf
from unstructured.chunking.title import chunk_by_title# 模拟 partition_pdf 出来的元素（实际是 Element 对象列表）
elements = [{"type": "Title", "text": "人工智能入门"},{"type": "NarrativeText", "text": "人工智能是计算机科学的一个分支..."},{"type": "Title", "text": "机器学习"},{"type": "NarrativeText", "text": "机器学习是人工智能的重要子领域..."},{"type": "Title", "text": "深度学习"},{"type": "NarrativeText", "text": "深度学习是机器学习中的一种方法..."},
]# 自己模拟 chunk_by_title 逻辑
chunks = []
current_chunk = Nonefor element in elements:if element["type"] == "Title":if current_chunk:chunks.append(current_chunk)current_chunk = element["text"] + "\n"else: # 不是标题，就是正文if current_chunk is not None:current_chunk += element["text"] + "\n"# 别忘了把最后一块也加进去
if current_chunk:chunks.append(current_chunk)# 打印结果
for i, chunk in enumerate(chunks, 1):print(f"第 {i} 块内容：\n{chunk}")
输出结果就是一章一章组织好的内容了！✅
终极总结：
partition_pdf 是把 PDF 精确切成最细单元，chunk_by_title 是让这些单元恢复成有逻辑的大块。
它们是前后搭配使用的，缺一不可。
)
(包含派生类的默认成员函数，菱形继承等))
