AI-reads-books-page-by-page 部署教程：AI 逐页阅读 PDF 并提取知识

本教程将指导你部署 AI-reads-books-page-by-page，一个使用 AI 逐页分析 PDF 书籍，提取知识点并按指定间隔生成摘要的 Python 脚本。

📋 准备工作

1. 环境要求

Python 版本：3.8 或更高版本。
依赖管理：pip（Python 包管理器）。
网络：能够访问 OpenAI API（或其他兼容 API）以进行 AI 分析。
API 密钥：有效的 OpenAI API Key（或兼容的 API 端点与密钥）。

2. 获取项目

从 GitHub 克隆仓库到本地：

1 2	git clone https://github.com/echohive42/AI-reads-books-page-by-page.git cd AI-reads-books-page-by-page

🛠️ 安装与配置

1. 安装 Python 依赖

项目所需依赖都列在 requirements.txt 中。建议在虚拟环境中安装：

# 创建虚拟环境（可选）
python -m venv venv
source venv/bin/activate  # Linux/macOS
# 或 .\venv\Scripts\activate  # Windows

# 安装依赖
pip install -r requirements.txt

requirements.txt 文件内容通常包含 openai、PyPDF2 或 pypdf、pydantic 等库，具体以仓库中的文件为准。

2. 配置脚本

你需要对 read_books.py 脚本进行以下配置：

设置 PDF 文件：将你想要分析的 PDF 文件放置在项目根目录（即与 read_books.py 同级）下。
修改脚本中的常量：用文本编辑器打开 read_books.py，找到文件开头的配置区域，修改以下关键常量：
- PDF_NAME：改为你的 PDF 文件名，例如 "my_book.pdf"。
- MODEL：指定用于页面处理的模型，例如 "gpt-4o" 或 "gpt-3.5-turbo"（需确保你的 API 密钥有权限访问）。
- ANALYSIS_MODEL：指定用于生成摘要的模型，可以与 MODEL 相同或不同。
- ANALYSIS_INTERVAL：间隔页数，例如 10 表示每处理 10 页生成一次阶段性摘要；设为 None 则跳过阶段性摘要。
- TEST_PAGES：用于测试的页数，例如 5 表示只处理前 5 页；设为 None 则处理整本书。
设置 OpenAI API 密钥：脚本需要 API 密钥来调用模型。推荐通过环境变量设置，在终端中执行（替换为你的密钥）：
1
2
export OPENAI_API_KEY="你的OpenAI_API密钥" # Linux/macOS
# 或 set OPENAI_API_KEY="你的OpenAI_API密钥" # Windows (CMD)
或者，你也可以在脚本中直接设置，但不推荐，因为有泄露风险。

3. 使用自定义 API 端点（非 OpenAI 官方）

如果你想使用兼容 OpenAI API 格式的本地或第三方服务（如 Ollama、LocalAI），需要修改 read_books.py 中初始化 OpenAI 客户端的部分，指定 base_url。找到类似以下代码并修改：

from openai import OpenAI

# 示例：自定义端点
client = OpenAI(
    base_url="你的API端点地址",  # 例如: "http://localhost:11434/v1"
    api_key="你的API密钥",       # 如果不需要可留空或填 "not-needed"
)

🚀 运行脚本

完成配置后，在终端中执行以下命令启动分析：

1	python read_books.py

执行过程

目录准备：脚本会自动创建 book_analysis/ 目录及其子目录：
- knowledge_bases/：存储 JSON 格式的知识点数据。
- summaries/：存储 Markdown 格式的阶段性摘要和最终摘要。
- pdfs/：存放原始 PDF 的副本（可选）。
逐页处理：脚本逐页读取 PDF 内容，调用 AI 模型提取该页的知识点，并逐步积累到知识库中。进度信息会在终端显示。
生成摘要：
- 每处理 ANALYSIS_INTERVAL 页，生成一个阶段性摘要并保存为 Markdown 文件。
- 处理完所有页面后，生成一个完整的最终摘要。
输出结果：所有结果都保存在 book_analysis/ 目录下，其中知识库会持续更新，支持断点续传（即中断后重新运行会从上次保存的状态继续）。

⚙️ 高级自定义与故障排除

自定义提示词模板

脚本中的 process_page() 和 analyze_knowledge_base() 函数包含发送给 AI 模型的提示词（Prompt）。你可以根据需求修改这些提示词，以改变提取知识点的粒度或摘要的风格。

处理大文件或长书籍

费用控制：处理整本书可能产生较高的 API 费用。建议先用 TEST_PAGES 参数（如 TEST_PAGES=5）进行小规模测试，确认效果和成本后再处理全本。
速率限制：如果 API 有速率限制，脚本处理大量页面时可能需要暂停。你可以考虑在 process_page() 函数的循环中添加 time.sleep() 来避免触发限流。
上下文窗口：MODEL 的上下文窗口大小决定了单次能处理的最大文本量。对于页面文字极多的 PDF，可能需要更长的模型或对页面文本进行分割。

常见问题排查

ModuleNotFoundError: No module named 'openai'：未安装依赖。执行 pip install -r requirements.txt 或单独安装 pip install openai pypdf pydantic。
API 密钥错误或未找到：确保环境变量 OPENAI_API_KEY 已正确设置。如果使用自定义端点，检查 base_url 和 api_key 是否正确。
PDF 无法读取或乱码：确保 PDF 文件是文本型 PDF（可选择复制文字），而不是扫描件。对于扫描版 PDF，需要先使用 OCR 工具提取文字。
处理中断后如何继续：脚本在每次页面处理后都会更新 knowledge_bases/ 下的 JSON 文件。如果中断，重新运行脚本，它会加载已有的 JSON 文件并从上次中断的地方继续。
输出的 Markdown 摘要格式混乱：检查用于摘要生成的提示词，可以明确要求 AI 输出格式良好的 Markdown。