Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Preparar os Dados

Aula 10 de 18 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. A Qualidade do RAG Depende dos Seus Dados
  2. Obtenção dos Dados
  3. Limpeza dos Dados
  4. Estratégias de Fragmentação
  5. Pipeline de Preparação Completo
  6. Pontos-chave

A Qualidade do RAG Depende dos Seus Dados

Um pipeline RAG só é tão bom quanto os dados que indexa. Pode criar o prompt perfeito e selecionar o melhor modelo de geração, mas se o fragmento recuperado cortar uma definição ao meio ou incluir um rodapé repetitivo em vez de texto útil, a sua resposta será prejudicada. A preparação ocorre em três fases: obter os dados onde eles residem, remover tudo o que não tem significado e dividi-los em fragmentos otimizados para indexação.

Obtenção dos Dados

Os corpora do mundo real raramente são homogéneos. Tipicamente, terá documentação Markdown num repositório, algumas páginas de um site público e alguns PDFs regulamentares. Cada fonte requer o seu próprio carregador, mas todos devem produzir a mesma estrutura — conteúdo, origem e tipo — para que o restante do pipeline permaneça agnóstico à origem do texto.

Para ficheiros de texto, uma varredura recursiva de diretórios é suficiente, e a filtragem por extensão impede o carregamento acidental de ficheiros binários.

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")

As páginas web chegam via HTTP, mas o que obtém é HTML. A extração abaixo remove as tags usando expressões regulares e colapsa múltiplos espaços. Isto é suficiente para um protótipo, mas o comentário lembra-o de que, em produção, o BeautifulSoup fará um trabalho muito melhor com tabelas e listas aninhadas.

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")

Os PDFs merecem um tratamento especial. Em vez de concatenar o documento inteiro, mantenha uma entrada por página e codifique o número da página na origem como file.pdf#page=12. Quando o seu assistente citar esta passagem, o utilizador saberá exatamente onde a verificar.

# 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

Limpeza dos Dados

A limpeza é crítica para a qualidade da recuperação, pois cada caractere stray consome espaço no fragmento e turva o vetor resultante. A função seguinte encadeia quatro tratamentos: remove caracteres de controlo deixados por conversões de formato, normaliza sequências de novas linhas e espaços, apaga marcadores de paginação típicos de PDFs e substitui URLs intermináveis por um marcador simples para que não consumam um fragmento inteiro.

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"])

Estratégias de Fragmentação

A fragmentação é o passo mais importante na preparação: o tamanho e o método do fragmento impactam diretamente a qualidade da recuperação. Existem três abordagens, que vão da mecânica à consciente da estrutura.

A fragmentação de tamanho fixo percorre o texto em fatias regulares. Ignora completamente o significado, tornando-a aplicável a qualquer fonte, mas frequentemente corta frases ao meio. A sobreposição corrige parcialmente esta falha: com overlap=200, o fim de cada fragmento repete-se no início do seguinte, garantindo que uma ideia dividida permaneça inteira em pelo menos uma das duas peças.

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 fragmentação baseada em parágrafos, recomendada para documentação, confia nas fronteiras naturais do texto. Acumula parágrafos enquanto estes permanecerem abaixo do max_size, abrindo depois um novo fragmento. O limiar min_size impede a indexação de um cabeçalho órfão ou linha isolada, o que produziria um vetor sem conteúdo utilizável.

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 fragmentação por secções Markdown aproveita a informação que o autor já forneceu: os seus títulos. Cada secção torna-se um fragmento autónomo, garantindo que uma pergunta sobre “autenticação” recupera a secção inteira em vez de um fragmento. As secções demasiado longas recorrem à fragmentação por parágrafos, assegurando que nenhum fragmento excede o limite.

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

Pipeline de Preparação Completo

Finalmente, encadeie as três operações e escolha a estratégia de fragmentação com base no tipo de ficheiro: ficheiros .md passam pelas secções, todo o resto pelos parágrafos. Cada fragmento carrega então os seus metadados — origem, posição no documento e número total de fragmentos desse documento. Sem isto, não conseguirá atribuir a origem de uma resposta. As últimas duas linhas mostram a taxa de expansão e o tamanho médio: se esta média cair bem abaixo do seu chunk_size, o documento está mais fragmentado do que o esperado e precisa de rever a sua estratégia de fragmentação.

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")

Pontos-chave

  • A qualidade do RAG depende diretamente da qualidade dos dados e da estratégia de fragmentação
  • Limpe os dados antes da indexação (remova caracteres stray, URLs longos, duplicados)
  • A fragmentação por parágrafos ou secções Markdown preserva a coerência semântica
  • Uma sobreposição de 10–15% entre fragmentos impede a divisão de ideias
  • Mantenha os metadados (origem, página, posição) para a rastreabilidade das respostas