Az adatok előkészítése
Ezen az oldalon
A RAG minősége az adataidon múlik
Egy RAG folyamatcső csak annyira jó, mint az indexelt adatok. Készíthetsz tökéletes promptot és választhatod a legjobb generációs modellt, de ha a visszakeresett szövegrészlet félbevág egy definíciót, vagy hasznos tartalom helyett ismétlődő láblécet húz be, a válaszod szenvedni fog. Az előkészítés három szakaszból áll: az adatok begyűjtése a forráshelyükről, a jelentéstartalom nélküli elemek eltávolítása, majd az indexelésre optimalizált szövegrészletekre (chunkokra) való felosztás.
Az adatok begyűjtése
A valós szövegkorpuszok ritkán homogének. Általában találsz Markdown dokumentációt egy tárolóban, néhány oldalt egy nyilvános webhelyről és egy maréknyi szabályozási PDF-et. Minden forráshoz saját betöltő (loader) kell, de mindegyiknek ugyanazt a struktúrát kell előállítania – tartalom, forrás és típus –, hogy a folyamatcső többi része független maradjon a szöveg eredetétől.
Szövegfájlok esetén elegendő a könyvtárak rekurzív bejárása, a kiterjesztés szerinti szűrés pedig megakadályozza, hogy véletlenül bináris fájlokat tölts be.
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")
A weboldalak HTTP-n keresztül érkeznek, de amit kapsz, az HTML. Az alábbi kinyerés reguláris kifejezésekkel távolítja el a címkéket és vonja össze a többszörös szóközöket. Ez elég egy prototípushoz, de a megjegyzés emlékeztet arra, hogy éles környezetben a BeautifulSoup sokkal jobb munkát végez a táblázatokkal és a beágyazott listákkal.
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")
A PDF-ek különleges bánásmódot igényelnek. A teljes dokumentum összefűzése helyett tarts meg egy bejegyzést oldalanként, és kódold az oldalszámot a forrásban így: file.pdf#page=12. Amikor az asszisztensed hivatkozik erre a részletre, a felhasználó pontosan tudni fogja, hol ellenőrizze azt.
# 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
Az adatok tisztítása
A tisztítás kritikus fontosságú a visszakeresés minősége szempontjából, mert minden idegen karakter helyet foglal el a szövegrészletben és elmosja a kapott vektort. Az alábbi függvény négy kezelést láncol össze: eltávolítja a formátumkonverziókból megmaradt vezérlőkaraktereket, normalizálja az újsorok és szóközök sorozatait, törli a PDF-ekre jellemző oldalszámozó jelöléseket, és lecseréli a végtelen URL-eket egy egyszerű helykitöltőre, hogy ne egyék fel az egész szövegrészletet.
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"])
Szövegrészletekre osztási stratégiák (Chunking)
A szövegrészletekre osztás (chunking) az előkészítés legfontosabb lépése: a szövegrészlet mérete és módszere közvetlenül befolyásolja a visszakeresés minőségét. Három megközelítés létezik, a mechanikustól a struktúra-aware megoldásokig.
A fix méretű szövegrészletekre osztás rendszeres szeletekben halad végig a szövegen. Teljesen figyelmen kívül hagyja a jelentést, így bármilyen forrásra alkalmazható, de gyakran félbevágja a mondatokat. Az átfedés (overlap) részben korrigálja ezt a hibát: overlap=200 esetén minden szövegrészlet vége megismétlődik a következő elején, biztosítva, hogy egy felosztott gondolat legalább az egyik darabban egészben maradjon.
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
A bekezdésalapú szövegrészletekre osztás, amely dokumentációhoz ajánlott, a szöveg természetes határait használja ki. Addig gyűjti a bekezdéseket, amíg azok a max_size alatt maradnak, majd új szövegrészletet nyit. A min_size küszöbérték megakadályozza egy elárvult címsor vagy elszigetelt sor indexelését, ami használható tartalom nélküli vektort eredményezne.
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
A Markdown szakaszok szerinti szövegrészletekre osztás kihasználja a szerző által már megadott információkat: a címsorokat. Minden szakasz önálló szövegrészletté válik, garantálva, hogy az „hitelesítésre“ vonatkozó kérdés a teljes szakaszt hozza vissza, nem pedig egy töredéket. A túl hosszú szakaszok visszaesnek a bekezdésalapú osztásra, biztosítva, hogy egyetlen szövegrészlet se lépje túl a limitet.
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
Teljes előkészítő folyamatcső
Végül láncold össze a három műveletet, és a fájltípus alapján válaszd ki a szövegrészletekre osztási stratégiát: a .md fájlok a szakaszok szerint, minden más a bekezdések szerint kerül feldolgozásra. Minden szövegrészlet ekkor megkapja a metaadatait – forrás, pozíció a dokumentumban és a dokumentumból származó szövegrészletek teljes száma. Enélkül nem tudod majd forrásolni a választ. Az utolsó két sor a bővülési rátát és az átlagos méretet jeleníti meg: ha ez az átlag jóval a chunk_size érték alá csökken, a dokumentum a vártnál töredezettebb, és felül kell vizsgálnod a szövegrészletekre osztási stratégiádat.
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")
Főbb megállapítások
- A RAG minősége közvetlenül függ az adatok minőségétől és a szövegrészletekre osztási stratégiától
- Indexelés előtt tisztítsd meg az adatokat (távolítsd el az idegen karaktereket, hosszú URL-eket, duplikációkat)
- A bekezdés- vagy Markdown szakaszalapú szövegrészletekre osztás megőrzi a szemantikai koherenciát
- A szövegrészletek közötti 10–15%-os átfedés megakadályozza a gondolatok széttördelését
- Tartsd meg a metaadatokat (forrás, oldal, pozíció) a válaszok nyomon követhetősége érdekében