Príprava dát
Na tejto strane
Kvalita RAG závisí od tvojich dát
Pipeline RAG je len taká dobrá, ako sú dáta, ktoré indexuje. Môžeš vytvoriť dokonalejší prompt a vybrať najlepší generačný model, ale ak získaný úryvok rozpolí definíciu napoly alebo natiahne opakujúcu sa pätičku namiesto užitočného textu, tvoja odpoveď bude trpieť. Príprava prebieha v troch fázach: získaj dáta tam, kde sa nachádzajú, odstráň všetko bezvýznamné a rozdeľ ich na úryvky optimalizované pre indexovanie.
Získavanie dát
Reálne korpusy sú zriedka homogénne. Zvyčajne budeš mať dokumentáciu vo formáte Markdown v repozitári, niekoľko stránok z verejnej webovej stránky a zopár regulačných PDF súborov. Každý zdroj potrebuje vlastný načítavač, ale všetky musia produkovať rovnakú štruktúru – obsah, zdroj a typ – aby zostatok pipeline zostal nezávislý od pôvodu textu.
Pre textové súbory stačí rekurzívne prechádzanie adresárov a filtrovanie podľa prípony zabráni náhodnému načítaniu binárnych súborov.
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")
Webové stránky prichádzajú cez HTTP, ale to, čo dostaneš, je HTML. Nasledujúca extrakcia odstraňuje tagy pomocou regulárnych výrazov a spája viacnásobné medzery. Toto stačí na prototyp, ale komentár ti pripomína, že v produkcii urobí BeautifulSoup oveľa lepšiu prácu s tabuľkami a vnorenými zoznamami.
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 súbory si zaslúžia osobitné zaobchádzanie. Namiesto spojenia celého dokumentu uchovaj jeden záznam na stránku a zakóduj číslo stránky do zdroja ako file.pdf#page=12. Keď tvoj asistent cituje tento úsek, používateľ bude presne vedieť, kde si ho má overiť.
# 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
Čistenie dát
Čistenie je kritické pre kvalitu vyhľadávania, pretože každý cudzí znak spotrebúva miesto v úryvku a kalí výsledný vektor. Nasledujúca funkcia reťazí štyri úpravy: odstraňuje riadiace znaky zostávajúce po konverzii formátov, normalizuje sekvencie nových riadkov a medzier, vymazáva označenia stránok typické pre PDF a nahrádza nekonečné URL jednoduchým zástupným symbolom, aby nezjedli celý úryvok.
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"])
Stratégie chunkovania (rozdelenia na úryvky)
Chunkovanie je najdôležitejším krokom prípravy: veľkosť úryvku a metóda priamo ovplyvňujú kvalitu vyhľadávania. Existujú tri prístupy, od mechanických až po tie, ktoré rešpektujú štruktúru.
Chunkovanie pevnej veľkosti prechádza textom v pravidelných úsekoch. Úplne ignoruje význam, čo ho robí použiteľným pre akýkoľvek zdroj, ale často rozdeľuje vety napoly. Prekrytie túto chybu čiastočne opravuje: pri overlap=200 sa koniec každého úryvku opakuje na začiatku ďalšieho, čím sa zabezpečí, že rozdelená myšlienka zostane celá aspoň v jednom z dvoch kusov.
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
Chunkovanie založené na odsekoch, odporúčané pre dokumentáciu, namiesto toho využíva prirodzené hranice textu. Akumuluje odseky, pokiaľ zostávajú pod max_size, a potom otvorí nový úryvok. Prah min_size zabraňuje indexovaniu osamelých nadpisov alebo izolovaných riadkov, čo by vytvorilo vektor bez použiteľného obsahu.
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
Chunkovanie podľa sekcií Markdown využíva informácie, ktoré už autor poskytol: svoje nadpisy. Každá sekcia sa stane samostatným úryvkom, čo zaručuje, že otázka týkajúca sa „autentifikácie“ získa celú sekciu, nie len fragment. Sekcie, ktoré sú príliš dlhé, sa vrátia k chunkovaniu po odsekoch, čím sa zabezpečí, že žiadny úryvok neprekročí limit.
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
Kompletný pipeline prípravy
Nakoniec spojíš tieto tri operácie dokopy a vyberieš stratégiu chunkovania na základe typu súboru: súbory .md prejdú cez sekcie, všetko ostatné cez odseky. Každý úryvok potom nesie svoje metadáta – zdroj, pozíciu v dokumente a celkový počet úryvkov z daného dokumentu. Bez toho nebudeš môcť dohľadať zdroj odpovede. Posledné dva riadky zobrazujú mieru expanzie a priemernú veľkosť: ak tento priemer klesne výrazne pod tvoju chunk_size, dokument je viac fragmentovaný, než sa očakávalo, a musíš prehodnotiť svoju stratégiu chunkovania.
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")
Kľúčové poznatky
- Kvalita RAG priamo závisí od kvality dát a stratégie chunkovania
- Pred indexovaním vyčisti dáta (odstráň cudzie znaky, dlhé URL, duplicity)
- Chunkovanie po odsekoch alebo sekciách Markdown zachováva sémantickú súdržnosť
- Prekrytie 10 – 15 % medzi úryvkami zabraňuje rozdeľovaniu myšlienok
- Uchovávaj metadáta (zdroj, stránka, pozícia) pre sledovateľnosť odpovedí