Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Priprema podataka

Lekcija 10 od 18 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Kvaliteta RAG-a ovisi o tvojim podacima
  2. Dohvaćanje podataka
  3. Čišćenje podataka
  4. Strategije dijeljenja na isječke (Chunking)
  5. Kompletan pipeline pripreme
  6. Ključne točke

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