将 PDF 文档转换为知识图谱，使用 DeepSeek API 提取实体和关系，支持 NetworkX 可视化和 Neo4j 存储。

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

uv sync

复制环境变量模板并填入你的 DeepSeek API Key：

cp .env.example .env

编辑 .env 文件：

DEEPSEEK_API_KEY=your_actual_api_key_here

获取 API Key: https://platform.deepseek.com/

如果需要将知识图谱存储到 Neo4j 数据库：

# 拉取并启动 Neo4j Docker 容器
docker run -d \
  --name neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/password123 \
  neo4j:latest

访问 Neo4j 浏览器界面：http://localhost:7474

• 用户名：neo4j
• 密码：password

在 .env 中添加 Neo4j 配置：

NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password123

将你的 PDF 文件放到 data/ 目录：

mkdir -p data
# 将 PDF 文件复制到 data/ 目录

启动 Jupyter Notebook：

jupyter notebook pdf2kg_batch.ipynb

或使用 JupyterLab：

jupyter lab

1. .env - 配置 API 密钥

   • DEEPSEEK_API_KEY: DeepSeek API 密钥（必需）

2. data/ 目录 - 放置要处理的 PDF 文件

   • pdf2kg_batch.ipynb 会自动批量处理该目录下的所有 PDF 文件

PDF2KG4LLM/
├── pdf2kg_batch.ipynb       # 批量处理流程（从这里开始）
├── src/                      # 核心代码模块
│   ├── pdf_parser.py        # PDF 解析和文本分块
│   ├── kg_builder.py        # 知识图谱构建（多线程+缓存）
│   ├── visualizer.py        # 图谱可视化
│   └── neo4j_storage.py     # Neo4j 存储
├── data/                     # 放置 PDF 文件（批量处理）
├── output/                   # 输出结果
│   ├── kg_batch.json        # 知识图谱数据
│   └── kg_batch.png         # 可视化图片
├── .env                      # 环境变量配置（需创建）
├── .env.example             # 环境变量模板
└── pyproject.toml           # 项目依赖

1. 批量 PDF 解析 (src/pdf_parser.py)

   • 自动扫描 data/ 目录下所有 PDF 文件
   • 提取并合并所有文本内容
   • 将长文本分块（默认 2000 字符/块，200 字符重叠）

2. 知识图谱构建 (src/kg_builder.py)

   • 多线程并发处理（默认 20 个线程，5倍速度提升）
   • 使用 DeepSeek API 从文本块提取实体和关系
   • 磁盘缓存机制（重复运行秒级响应）
   • 自动合并所有文本块的知识图谱

3. 可视化 (src/visualizer.py)

   • 使用 NetworkX 生成知识图谱可视化
   • 支持中文显示
   • 智能节点筛选（显示前 100 个重要节点）

4. 存储

   • JSON 格式：output/kg_batch.json
   • Neo4j 数据库：自动存储并提供查询接口

• Python 3.12+ - 编程语言
• uv - 包管理器
• DeepSeek API - 实体和关系提取
• NetworkX - 图谱可视化
• Neo4j - 知识图谱存储（可选）
• PyMuPDF - PDF 解析
• Jupyter - 交互式开发环境

• 批量处理: 将所有 PDF 文件放入 data/ 目录，自动批量处理
• API 配额: DeepSeek API 会根据文本块数量多次调用，注意 API 使用量
• 多线程加速: 默认 20 个并发线程，可在 pdf2kg_batch.ipynb 中调整 max_workers
• 缓存机制: 处理过的文本块会缓存到 .cache/ 目录，重复运行更快
• 中文支持: 可视化已配置中文字体，如有问题请修改 src/visualizer.py
• Neo4j 自动化: notebook 会自动启动 Neo4j Docker 容器，无需手动配置

本项目遵循以下开发要求，确保代码清晰易懂：

1. 代码简洁性

   • 所有任务需要代码最简单，清楚地体现出管线流程
   • 避免过度封装，优先可读性

2. 环境管理

   • 统一使用 uv 进行包管理
   • 所有依赖在 pyproject.toml 中声明

3. 流程可视化

   • 使用 Jupyter Notebook 清晰展示数据处理流程
   • 每个处理步骤分块编写，便于理解和调试

4. 文件管理

   • 良好的文件组织和命名规范
   • 模块化代码放在 src/ 目录
   • 数据文件放在 data/ 目录
   • 输出结果放在 output/ 目录

5. 代码注释

   • 所有代码使用中文注释
   • 清楚说明每个步骤在做什么
   • 关键逻辑必须有注释说明

详见 README_USAGE.md 的故障排除章节。

当前版本：V0 - 基础 PDF2KG 功能