Function fetch_toc_from_image

mainprogress/pdf_metadata_extractor.py:119–173

调用 LLM 识别拼接图片中的目录范围，并保存原始响应

(client: AsyncOpenAI, model: str, b64_img: str, start_p: int, end_p: int, raw_save_path: str = None)

【目录的严格定义】：一页中必须存在多个“标题 - 页码”对。如果某一页没有这个特征（例如纯文本正文、封面、版权页、序言），则它绝对不是目录。只要不存在页码，那这页绝对不是目录。相对应地，如果一页有这个特征，那么它必然是目录。

【注意】
1. 应以下方的 PDFNumber 作为页码。例如 PDFNumber 为 2-3 的图片是目录，那么起始页码就是 2，结束页码就是 3。
2. 注意空白页不可以算作目录的一部分，空白页一定不是目录！
3. 例如 PDFNumber 为 16 的图片是空白，为 17-18 的图片是目录，那么起始页码就是 17（切记，不是 16！），结束页码就是 18。请切记不要把空白页面识别为目录的一部分，这会导致后续程序出现严重错误！！！

【输出要求】：
1. 仅输出 JSON 格式，不要包含任何 markdown 标记（如 ```json ）、解释或额外文本。
2. 如果这几页中存在目录，输出格式为：{{"toc_start": 起始页码，"toc_end": 结束页码}}
3. 如果这几页中没有任何一页是目录，输出格式为：{{"toc_start": null, "toc_end": null}}"""

    try:
        completion = await client.chat.completions.create(
            model=model,
            messages=[
                {
                    "role": "user",
                    "content": [
                        {"type": "text", "text": prompt},
                        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64_img}"}},
                        {"type": "text", "text": prompt},
                    ]
                }
            ],
            extra_body={"enable_thinking": False},
            temperature=0,
        )
        raw_content = completion.choices[0].message.content.strip()
        
        if raw_save_path:
            response_data = {
                "page_range": f"{start_p}-{end_p}",
                "raw_response": raw_content,
                "model": model
            }
            with open(raw_save_path, 'w', encoding='utf-8') as f:
                json.dump(response_data, f, ensure_ascii=False, indent=2)
            logger.debug(f"原始响应已保存至：{raw_save_path}")
            write_log(f"原始响应已保存至：{raw_save_path}")
            
        return raw_content
    except Exception as e:
        error_msg = f"获取目录范围失败 ({start_p}-{end_p}): {e}"
        logger.error(error_msg)
        write_log(error_msg)
        if raw_save_path:
            with open(raw_save_path, 'w', encoding='utf-8') as f:
                json.dump({"error": str(e), "page_range": f"{start_p}-{end_p}"}, f, ensure_ascii=False, indent=2)
        return ""

def parse_toc_json(text: str) -> tuple:
    """安全解析 LLM 输出的 JSON，剥离 Markdown 标记"""
    if not text:
        return None, None
    try:
        clean_text = re.sub(r'^```(?:json)?\s*', '', text.strip(), flags=re.MULTILINE)
        clean_text = re.sub(r'\s*```$', '', clean_text, flags=re.MULTILINE)
        data = json.loads(clean_text)
        return data.get("toc_start"), data.get("toc_end")