Priprema podataka
Na ovoj stranici
Kvaliteta RAG-a ovisi o tvojim podacima
RAG pipeline vrijedi onoliko koliko vrijede podaci koje indeksiraš. Možeš sastaviti savršen prompt i odabrati najbolji model za generiranje, ali ako dohvaćeni isječak prereže definiciju napola ili uvuče ponavljajuće podnožje umjesto korisnog teksta, tvoj odgovor će patiti. Priprema se odvija u tri faze: dohvati podatke tamo gdje se nalaze, ukloni sve što nema smisla i podijeli ih na isječke optimizirane za indeksiranje.
Dohvaćanje podataka
Stvarni korpusi rijetko su homogeni. Obično ćeš imati Markdown dokumentaciju u repozitoriju, nekoliko stranica s javne web-lokacije i šaku regulatornih PDF-ova. Svaki izvor zahtijeva vlastiti učitavač, ali svi moraju proizvesti istu strukturu – sadržaj, izvor i vrstu – kako bi ostatak pipelinea bio neovisan o podrijetlu teksta.
Za tekstualne datoteke dovoljan je rekurzivni prolaz kroz direktorij, a filtriranje po ekstenziji sprječava slučajno učitavanje binarnih datoteka.
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")
Web stranice dolaze putem HTTP-a, ali ono što dobiješ je HTML. Donji postupak ekstrakcije uklanja oznake koristeći regularne izraze i sažima višestruke razmake. To je dovoljno za prototip, ali komentar te podsjeća da će u produkcijskom okruženju BeautifulSoup mnogo bolje odraditi posao s tablicama i ugniježđenim listama.
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-ovi zaslužuju poseban tretman. Umjesto spajanja cijelog dokumenta, zadrži jedan unos po stranici i kodiraj broj stranice u izvoru kao file.pdf#page=12. Kada tvoj asistent citira ovaj odlomak, korisnik će točno znati gdje ga može provjeriti.
# 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
Čišćenje podataka
Čišćenje je ključno za kvalitetu dohvaćanja jer svaki slučajni znak troši prostor u isječku i muti rezultirajući vektor. Sljedeća funkcija lančano primjenjuje četiri tretmana: uklanja kontrolne znakove preostale od konverzije formata, normalizira nizove novih redaka i razmaka, briše oznake paginacije tipične za PDF-ove i zamjenjuje beskrajne URL-ove jednostavnim rezerviranim mjestom kako ne bi pojeli cijeli isječak.
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"])
Strategije dijeljenja na isječke (Chunking)
Dijeljenje na isječke najvažniji je korak u pripremi: veličina isječka i metoda izravno utječu na kvalitetu dohvaćanja. Postoje tri pristupa, od mehaničkih do onih svjesnih strukture.
Dijeljenje fiksne veličine prolazi kroz tekst u pravilnim rezovima. Potpuno ignorira značenje, što ga čini primjenjivim na bilo koji izvor, ali često prereže rečenice napola. Preklapanje djelomično ispravlja tu manu: s overlap=200, kraj svakog isječka ponavlja se na početku sljedećeg, osiguravajući da podijeljena ideja ostane cjelovita u barem jednom od ta dva dijela.
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
Dijeljenje temeljeno na odlomcima, preporučeno za dokumentaciju, oslanja se na prirodne granice teksta. Akumulira odlomke sve dok ostaju ispod max_size, zatim otvara novi isječak. Prag min_size sprječava indeksiranje osamljenog naslova ili izolirane linije, što bi proizvelo vektor bez upotrebljivog sadržaja.
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
Dijeljenje po Markdown sekcijama iskorištava informacije koje je autor već pružio: svoje naslove. Svaka sekcija postaje samostalni isječak, jamčeći da će upit o „autentifikaciji“ dohvatiti cijelu sekciju, a ne fragment. Sekcije koje su predugačke vraćaju se na dijeljenje po odlomcima, osiguravajući da nijedan isječak ne prijeđe ograničenje.
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
Kompletan pipeline pripreme
Na kraju, poveži tri operacije u lanac i odaberi strategiju dijeljenja na isječke na temelju vrste datoteke: .md datoteke prolaze kroz sekcije, sve ostalo kroz odlomke. Svaki isječak zatim nosi svoje metapodatke – izvor, poziciju u dokumentu i ukupan broj isječaka iz tog dokumenta. Bez toga nećeš moći izvoriti odgovor. Zadnje dvije linije prikazuju stopu ekspanzije i prosječnu veličinu: ako ovaj prosjek padne znatno ispod tvog chunk_size, dokument je fragmentiraniji nego što se očekivalo i moraš ponovno razmotriti svoju strategiju dijeljenja.
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")
Ključne točke
- Kvaliteta RAG-a izravno ovisi o kvaliteti podataka i strategiji dijeljenja na isječke
- Očisti podatke prije indeksiranja (ukloni slučajne znakove, duge URL-ove, duplikate)
- Dijeljenje po odlomcima ili Markdown sekcijama čuva semantičku koherenciju
- Preklapanje od 10–15% između isječaka sprječava cijepanje ideja
- Zadrži metapodatke (izvor, stranica, pozicija) radi sljedivosti odgovora