Подготовка на данните
На тази страница
Качеството на RAG зависи от Вашите данни
Един RAG конвейер е толкова добър, колкото са данните, които индексира. Можете да създадете перфектен промпт и да изберете най-добрия генеративен модел, но ако извлеченият фрагмент прекъсва дефиниция по средата или включва повтарящ се долен колонтитул вместо полезен текст, отговорът Ви ще пострада. Подготовката преминава през три етапа: извличане на данните от мястото, където се намират, премахване на всичко безсмислено и разделяне на оптимизирани за индексиране фрагменти.
Извличане на данните
Реалните корпуси рядко са хомогенни. Обикновено ще разполагате с Markdown документация в хранилище, няколко страници от публичен уебсайт и шепа регулаторни PDF файлове. Всеки източник изисква собствен зареждач, но всички те трябва да произвеждат една и съща структура – съдържание, източник и тип, – за да остане останалата част от конвейера независима от произхода на текста.
За текстови файлове е достатъчно рекурсивно обхождане на директорията, а филтрирането по разширение предотвратява случайното зареждане на двоични файлове.
import os
def load_text_files(directory, extensions=(".txt", ".md", ".rst")):
"""Load all text files from a directory."""
documents = []
for root, dirs, files in os.walk(directory):
for f in files:
if any(f.endswith(ext) for ext in extensions):
filepath = os.path.join(root, f)
with open(filepath, "r", encoding="utf-8") as fh:
content = fh.read()
documents.append({
"content": content,
"source": filepath,
"type": "text",
})
return documents
docs = load_text_files("./data/")
print(f"{len(docs)} documents loaded")
Уеб страниците се доставят чрез HTTP, но това, което получавате, е HTML. Извлечението по-долу премахва таговете, използвайки регулярни изрази, и свива множеството интервали. Това е достатъчно за прототип, но коментарът Ви напомня, че в производствена среда BeautifulSoup ще свърши много по-добра работа с таблици и вложени списъци.
import requests
def fetch_web_page(url):
"""Fetch the text content of a web page."""
response = requests.get(url)
response.raise_for_status()
# Basic text extraction (use BeautifulSoup for production)
text = response.text
# Remove HTML tags
import re
text = re.sub(r'<[^>]+>', ' ', text)
text = re.sub(r'\s+', ' ', text).strip()
return {
"content": text,
"source": url,
"type": "web",
}
# Example
page = fetch_web_page("https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt")
print(f"Content: {len(page['content'])} characters")
PDF файловете заслужават специално отношение. Вместо да конкатенирате целия документ, запазете един запис на страница и кодирайте номера на страницата в източника като file.pdf#page=12. Когато Вашият асистент цитира този пасаж, потребителят ще знае точно къде да го провери.
# pip install PyPDF2
from PyPDF2 import PdfReader
def load_pdf(filepath):
"""Extract text from a PDF."""
reader = PdfReader(filepath)
pages = []
for i, page in enumerate(reader.pages):
text = page.extract_text()
if text.strip():
pages.append({
"content": text,
"source": f"{filepath}#page={i+1}",
"type": "pdf",
"page": i + 1,
})
return pages
Почистване на данните
Почистването е от критично значение за качеството на извличането, тъй като всеки излишен знак консумира място във фрагмента и замъглява получения вектор. Следната функция свързва четири обработки: премахва контролните знаци, останали от конвертирането на формати, нормализира последователностите от нови редове и интервали, изтрива маркерите за страници, типични за PDF файлове, и заменя безкрайните URL адреси с прост заместител, за да не изядат целия фрагмент.
import re
def clean_text(text):
"""Clean text for RAG indexing."""
# Remove control characters
text = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]', '', text)
# Normalize spaces and newlines
text = re.sub(r'\n{3,}', '\n\n', text)
text = re.sub(r' {2,}', ' ', text)
# Remove repetitive headers/footers (PDF)
text = re.sub(r'Page \d+ of \d+', '', text)
# Remove very long URLs
text = re.sub(r'https?://\S{100,}', '[URL]', text)
return text.strip()
# Apply cleaning
for doc in docs:
doc["content"] = clean_text(doc["content"])
Стратегии за разделяне на фрагменти (Chunking)
Разделянето на фрагменти е най-важната стъпка в подготовката: размерът на фрагмента и методът директно влияят върху качеството на извличане. Съществуват три подхода, вариращи от механични до такива, отчитащи структурата.
Разделянето с фиксиран размер преминава през текста в регулярни отрязъци. То напълно игнорира смисъла, което го прави приложимо за всеки източник, но често прекъсва изреченията по средата. Припокриването частично коригира този недостатък: с overlap=200, краят на всеки фрагмент се повтаря в началото на следващия, гарантирайки, че разделена идея остава цяла поне в една от двете части.
def chunk_fixed_size(text, chunk_size=2048, overlap=200):
"""Fixed-size chunking with overlap."""
chunks = []
start = 0
while start < len(text):
end = min(start + chunk_size, len(text))
chunk = text[start:end]
if chunk.strip():
chunks.append(chunk.strip())
start += chunk_size - overlap
return chunks
Разделянето на базата на абзаци, препоръчително за документация, разчита вместо това на естествените граници на текста. То натрупва абзаци, докато остават под max_size, след което отваря нов фрагмент. Прагът min_size предотвратява индексирането на изолирано заглавие или отделен ред, което би произвело вектор без полезно съдържание.
def chunk_by_paragraphs(text, max_size=1500, min_size=100):
"""Intelligent paragraph-based chunking."""
paragraphs = text.split("\n\n")
chunks = []
current = ""
for para in paragraphs:
para = para.strip()
if not para:
continue
if len(current) + len(para) + 2 <= max_size:
current = current + "\n\n" + para if current else para
else:
if len(current) >= min_size:
chunks.append(current)
current = para
if current and len(current) >= min_size:
chunks.append(current)
return chunks
Разделянето по Markdown секции използва информация, която авторът вече е предоставил: техните заглавия. Всяка секция става самостоятелен фрагмент, гарантирайки, че въпрос относно „автентикация“ ще извлече цялата секция, а не фрагмент от нея. Секциите, които са твърде дълги, се връщат към разделяне по абзаци, осигурявайки, че никой фрагмент не надвишава лимита.
def chunk_by_markdown_sections(text, max_size=2000):
"""Chunking by Markdown headings (## and ###)."""
sections = re.split(r'\n(?=##\s)', text)
chunks = []
for section in sections:
section = section.strip()
if not section:
continue
if len(section) <= max_size:
chunks.append(section)
else:
# Sub-chunk overly long sections
sub_chunks = chunk_by_paragraphs(section, max_size=max_size)
chunks.extend(sub_chunks)
return chunks
Пълен конвейер за подготовка
Накрая, свържете трите операции заедно и изберете стратегията за разделяне въз основа на типа файл: .md файловете преминават през секции, всичко останало – през абзаци. Всеки фрагмент след това носи своите метаданни – източник, позиция в документа и общ брой фрагменти от този документ. Без това няма да можете да проследите източника на отговора. Последните два реда показват коефициента на разширяване и средния размер: ако този среден размер спадне значително под Вашия chunk_size, документът е по-фрагментиран от очакваното и трябва да преразгледате стратегията си за разделяне.
def prepare_documents(raw_docs, chunk_size=1500, overlap=200):
"""Complete pipeline: clean, chunk, enrich with metadata."""
all_chunks = []
for doc in raw_docs:
# 1. Clean
clean = clean_text(doc["content"])
# 2. Chunk based on type
if doc.get("source", "").endswith(".md"):
chunks = chunk_by_markdown_sections(clean, max_size=chunk_size)
else:
chunks = chunk_by_paragraphs(clean, max_size=chunk_size)
# 3. Enrich with metadata
for i, chunk in enumerate(chunks):
all_chunks.append({
"text": chunk,
"source": doc["source"],
"chunk_index": i,
"total_chunks": len(chunks),
})
return all_chunks
# Execution
chunks = prepare_documents(docs)
print(f"{len(docs)} documents -> {len(chunks)} chunks")
print(f"Average size: {sum(len(c['text']) for c in chunks) / len(chunks):.0f} characters")
Ключови изводи
- Качеството на RAG зависи директно от качеството на данните и стратегията за разделяне на фрагменти
- Почиствайте данните преди индексиране (премахване на излишни знаци, дълги URL адреси, дубликати)
- Разделянето по абзаци или Markdown секции запазва семантичната свързаност
- Припокриване от 10–15% между фрагментите предотвратява разделянето на идеи
- Запазвайте метаданни (източник, страница, позиция) за проследимост на отговорите