Przygotowanie danych
Na tej stronie
Jakość RAG zależy od Twoich danych
Potok RAG jest tak dobry, jak dane, które indeksujesz. Możesz stworzyć idealny prompt i wybrać najlepszy model generatywny, ale jeśli pobrany fragment ucina definicję w połowie lub wciąga powtarzający się stopkę zamiast użytecznego tekstu, Twoja odpowiedź ucierpi. Przygotowanie odbywa się w trzech etapach: pobranie danych z ich źródła, usunięcie wszystkiego, co bez znaczenia, i podział na fragmenty zoptymalizowane pod kątem indeksowania.
Pobieranie danych
Zbiory danych ze świata rzeczywistego rzadko są jednorodne. Zazwyczaj masz dokumentację Markdown w repozytorium, kilka stron z publicznej witryny i garść plików PDF z przepisami. Każde źródło wymaga własnego loadera, ale wszystkie muszą produkować tę samą strukturę – treść, źródło i typ – aby reszta potoku pozostała niezależna od pochodzenia tekstu.
Dla plików tekstowych wystarczy rekurencyjne przeszukiwanie katalogu, a filtrowanie po rozszerzeniu zapobiega przypadkowemu ładowaniu plików binarnych.
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")
Strony internetowe przychodzą przez HTTP, ale tym, co otrzymujesz, jest HTML. Poniższa ekstrakcja usuwa tagi za pomocą wyrażeń regularnych i scala wielokrotne spacje. To wystarczy do prototypu, ale komentarz przypomina, że w środowisku produkcyjnym BeautifulSoup poradzi sobie znacznie lepiej z tabelami i zagnieżdżonymi listami.
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")
Pliki PDF zasługują na specjalne traktowanie. Zamiast łączyć cały dokument w jedną całość, zachowaj jeden wpis na stronę i zakoduj numer strony w źródle jako file.pdf#page=12. Gdy Twój asystent zacytuje ten fragment, użytkownik będzie wiedział dokładnie, gdzie go zweryfikować.
# 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
Czyszczenie danych
Czyszczenie jest kluczowe dla jakości wyszukiwania, ponieważ każdy zbędny znak zużywa miejsce we fragmencie i zanieczyszcza wynikowy wektor. Poniższa funkcja łączy cztery zabiegi: usuwa znaki kontrolne pozostałe po konwersji formatów, normalizuje sekwencje nowych linii i spacji, usuwa znaczniki paginacji typowe dla plików PDF i zastępuje nieskończone adresy URL prostym symbolem zastępczym, aby nie zjadały całego fragmentu.
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"])
Strategie podziału na fragmenty (Chunking)
Podział na fragmenty to najważniejszy krok w przygotowaniu: rozmiar fragmentu i metoda mają bezpośredni wpływ na jakość wyszukiwania. Istnieją trzy podejścia, od mechanicznego po świadome struktury.
Podział o stałym rozmiarze przesuwa się przez tekst w regularnych kawałkach. Ignoruje całkowicie znaczenie, co czyni go zastosowalnym do dowolnego źródła, ale często ucina zdania w połowie. Nakładanie się częściowo naprawia tę wadę: przy overlap=200 koniec każdego fragmentu powtarza się na początku następnego, zapewniając, że podzielona myśl pozostanie nienaruszona przynajmniej w jednym z dwóch kawałków.
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
Podział oparty na akapitach, zalecany dla dokumentacji, polega zamiast tego na naturalnych granicach tekstu. Akumuluje akapity, dopóki mieszczą się w max_size, a następnie otwiera nowy fragment. Próg min_size zapobiega indeksowaniu osieroconego nagłówka lub izolowanej linii, co wygenerowałoby wektor bez użytecznej treści.
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
Podział na sekcje Markdown wykorzystuje informacje, które autor już dostarczył: swoje nagłówki. Każda sekcja staje się samodzielnym fragmentem, gwarantując, że pytanie o „uwierzytelnianie“ pobierze całą sekcję, a nie jej fragment. Sekcje, które są zbyt długie, wracają do podziału na akapity, zapewniając, że żaden fragment nie przekroczy limitu.
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
Kompletny potok przygotowania
Na koniec połącz trzy operacje razem i wybierz strategię podziału w zależności od typu pliku: pliki .md przechodzą przez sekcje, wszystko inne przez akapity. Każdy fragment niesie wtedy swoje metadane – źródło, pozycję w dokumencie i całkowitą liczbę fragmentów z tego dokumentu. Bez tego nie będziesz w stanie wskazać źródła odpowiedzi. Ostatnie dwie linie wyświetlają współczynnik ekspansji i średni rozmiar: jeśli ta średnia spadnie znacznie poniżej Twojego chunk_size, dokument jest bardziej pofragmentowany niż oczekiwano i musisz ponownie przeanalizować swoją strategię podziału.
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")
Kluczowe wnioski
- Jakość RAG zależy bezpośrednio od jakości danych i strategii podziału na fragmenty
- Wyczyść dane przed indeksowaniem (usuń zbędne znaki, długie adresy URL, duplikaty)
- Podział na akapity lub sekcje Markdown zachowuje spójność semantyczną
- Nakładanie się fragmentów na poziomie 10–15% zapobiega dzieleniu myśli
- Zachowaj metadane (źródło, strona, pozycja) dla możliwości śledzenia odpowiedzi