"Failed to upload document. Please upload an unstructured text document."

Abierto

#226 abierto el 22/10/2024 2 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad: 4/5
Tiempo estimado: 3-5 días
Aptitud para principiantes: 30/100

Tipo de issue: Error
Claridad: Necesita aclaración
Estado de actividad: Estancado
Stack tecnológico: python
Área: api, backend

Línea de trabajo

Empieza reproduciendo la carga del PDF mediante el endpoint POST /documents y sigue los logs de ingestión de chain-server, especialmente la extracción de PDF de unstructured y la falta del recurso punkt_tab de NLTK. done debe significar que el PDF indicado en el informe puede ingerirse sin el error de recurso ni un fallo de carga engañoso.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

I am getting this weird error where it says Failed to upload document. Please upload an unstructured text document.
I can confirm my api key is valid and has credits

chain-server logs->>>

2024-10-22 03:52:48 WARNING:unstructured:PDF text extraction failed, skip text extraction...
2024-10-22 03:52:48 INFO:unstructured:Processing entire page OCR with tesseract...
2024-10-22 03:53:00 ERROR:example:Failed to ingest document due to exception
2024-10-22 03:53:00 **********************************************************************
2024-10-22 03:53:00 Resource punkt_tab not found.
2024-10-22 03:53:00 Please use the NLTK Downloader to obtain the resource:
2024-10-22 03:53:00
2024-10-22 03:53:00 >>> import nltk
2024-10-22 03:53:00 >>> nltk.download('punkt_tab')
2024-10-22 03:53:00
2024-10-22 03:53:00 For more information see: https://www.nltk.org/data.html
2024-10-22 03:53:00
2024-10-22 03:53:00 Attempted to load tokenizers/punkt_tab/english/
2024-10-22 03:53:00
2024-10-22 03:53:00 Searched in:
2024-10-22 03:53:00 - '/tmp-data/nltk_data/'
2024-10-22 03:53:00 - '/root/nltk_data'
2024-10-22 03:53:00 - '/usr/nltk_data'
2024-10-22 03:53:00 - '/usr/share/nltk_data'
2024-10-22 03:53:00 - '/usr/lib/nltk_data'
2024-10-22 03:53:00 - '/usr/share/nltk_data'
2024-10-22 03:53:00 - '/usr/local/share/nltk_data'
2024-10-22 03:53:00 - '/usr/lib/nltk_data'
2024-10-22 03:53:00 - '/usr/local/lib/nltk_data'
2024-10-22 03:53:00 **********************************************************************
2024-10-22 03:53:00
2024-10-22 03:53:00 ERROR:RetrievalAugmentedGeneration.common.server:Error from POST /documents endpoint. Ingestion of file: /tmp/gradio/92f4570d0bbd4d801f7fbbae0ad13db83f59b1f6518c47156f6cbb0b605472d7/Justin_Silva_Resume.pdf failed with error: Failed to upload document. Please upload an unstructured text document.