大家好，我是 同學(xué)小張，持續(xù)學(xué)習(xí)C++進(jìn)階知識(shí)和AI大模型應(yīng)用實(shí)戰(zhàn)案例，持續(xù)分享，歡迎大家點(diǎn)贊+關(guān)注，共同學(xué)習(xí)和進(jìn)步。
上篇文章我們通過(guò)一個(gè)簡(jiǎn)單的例子，學(xué)習(xí)了LlamaIndex的安裝和基本使用，使用 LlamaIndex 構(gòu)建了一個(gè)簡(jiǎn)單的RAG問(wèn)答系統(tǒng)。今天我們開(kāi)始系統(tǒng)化學(xué)習(xí)，首先看一下LlamaIndex的Load部分。Load部分負(fù)責(zé)文件數(shù)據(jù)鏈接。 0. 文件類(lèi)型加載器：SimpleDirectoryReader上篇文章代碼的一開(kāi)始，我們就使用了這個(gè)Reader： from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
# 使用SimpleDirectoryReader從指定路徑加載數(shù)據(jù)
documents = SimpleDirectoryReader("D:\GitHub\LEARN_LLM\LlamaIndex\data").load_data()
這是 LlamaIndex 中最容易使用的一個(gè)文件夾加載器。它會(huì)讀取傳入的文件夾路徑中的所有文件，可以讀取各種格式，包括Markdown、PDF、Word、PowerPoint、圖像、音頻和視頻等。 來(lái)看下其具體集成的類(lèi)型： 參考：https:///l/readers/llama-index-readers-file?from=
from llama_index.core import SimpleDirectoryReader
from llama_index.readers.file import (
DocxReader,
HWPReader,
PDFReader,
EpubReader,
FlatReader,
HTMLTagReader,
ImageCaptionReader,
ImageReader,
ImageVisionLLMReader,
IPYNBReader,
MarkdownReader,
MboxReader,
PptxReader,
PandasCSVReader,
VideoAudioReader,
UnstructuredReader,
PyMuPDFReader,
ImageTabularChartReader,
XMLReader,
PagedCSVReader,
CSVReader,
RTFReader,
)
# PDF Reader with `SimpleDirectoryReader`
parser = PDFReader()
file_extractor = {".pdf": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Docx Reader example
parser = DocxReader()
file_extractor = {".docx": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# HWP Reader example
parser = HWPReader()
file_extractor = {".hwp": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Epub Reader example
parser = EpubReader()
file_extractor = {".epub": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Flat Reader example
parser = FlatReader()
file_extractor = {".txt": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# HTML Tag Reader example
parser = HTMLTagReader()
file_extractor = {".html": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Image Reader example
parser = ImageReader()
file_extractor = {
".jpg": parser,
".jpeg": parser,
".png": parser,
} # Add other image formats as needed
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# IPYNB Reader example
parser = IPYNBReader()
file_extractor = {".ipynb": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Markdown Reader example
parser = MarkdownReader()
file_extractor = {".md": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Mbox Reader example
parser = MboxReader()
file_extractor = {".mbox": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Pptx Reader example
parser = PptxReader()
file_extractor = {".pptx": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Pandas CSV Reader example
parser = PandasCSVReader()
file_extractor = {".csv": parser} # Add other CSV formats as needed
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# PyMuPDF Reader example
parser = PyMuPDFReader()
file_extractor = {".pdf": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# XML Reader example
parser = XMLReader()
file_extractor = {".xml": parser}
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# Paged CSV Reader example
parser = PagedCSVReader()
file_extractor = {".csv": parser} # Add other CSV formats as needed
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
# CSV Reader example
parser = CSVReader()
file_extractor = {".csv": parser} # Add other CSV formats as needed
documents = SimpleDirectoryReader(
"./data", file_extractor=file_extractor
).load_data()
1. LlamaHub 中的加載器除了上面的讀取文件之外，實(shí)際生活中還有很多地方可以獲取數(shù)據(jù)，例如GitHub，網(wǎng)頁(yè)，數(shù)據(jù)庫(kù)等。這些數(shù)據(jù)加載器在 LlamaHub 中實(shí)現(xiàn)，可以按需使用。下圖是 LlamaHub 中加載器列表：  1.1 使用方式首先得安裝相應(yīng)的包，例如使用DatabaseReader： pip install llama-index-readers-google
# 或者在使用之前加下面這一行應(yīng)該也行：
# from llama_index.core import download_loader
否則會(huì)報(bào)錯(cuò)：  然后就可以正常使用了： from llama_index.core import download_loader
from llama_index.readers.database import DatabaseReader
reader = DatabaseReader(
scheme=os.getenv("DB_SCHEME"),
host=os.getenv("DB_HOST"),
port=os.getenv("DB_PORT"),
user=os.getenv("DB_USER"),
password=os.getenv("DB_PASS"),
dbname=os.getenv("DB_NAME"),
)
query = "SELECT * FROM users"
documents = reader.load_data(query=query)
2. 可以直接將文字轉(zhuǎn)換成 LlamaIndex 需要的 Document 結(jié)構(gòu)from llama_index.core import Document
doc = Document(text="text")
3. 文檔內(nèi)容轉(zhuǎn)換加載數(shù)據(jù)后，下一步是將數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換。這些轉(zhuǎn)換包括分塊、提取元數(shù)據(jù)和對(duì)每個(gè)塊進(jìn)行向量化，從而確保大模型能夠檢索數(shù)據(jù)。 3.1 一步到位的簡(jiǎn)單方法其中最簡(jiǎn)單的轉(zhuǎn)換做法，是上篇文章中我們使用的：from_documents方法。 from llama_index.core import VectorStoreIndex
vector_index = VectorStoreIndex.from_documents(documents)
vector_index.as_query_engine()
from_documents（）方法，接受一個(gè)Document對(duì)象數(shù)組，并自動(dòng)解析和拆分它們。 3.2 自定義轉(zhuǎn)換有時(shí)候我們需要自己控制分塊等這些轉(zhuǎn)換的邏輯。有以下兩種方式： （1）使用 from_documents 的 transformations 參數(shù)，傳入一個(gè)自定義的分塊器。 from llama_index.core.node_parser import SentenceSplitter
text_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)
# per-index
index = VectorStoreIndex.from_documents(
documents, transformations=[text_splitter]
)
（2）使用全局設(shè)置，設(shè)置默認(rèn)的分塊器。 from llama_index.core.node_parser import SentenceSplitter
text_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)
# global
from llama_index.core import Settings
Settings.text_splitter = text_splitter
# per-index
index = VectorStoreIndex.from_documents(documents)
4. 總結(jié)本文我們介紹了 LlamaIndex 中加載器，以及如何使用它們。LlamaIndex提供了內(nèi)置的文件加載器，同時(shí)也支持 LlamHub 中提供的各種其它類(lèi)型加載器。 文章最后，簡(jiǎn)單介紹了下 LlamaIndex 中如何將加載到的文檔數(shù)據(jù)轉(zhuǎn)換成索引。 5. 參考如果覺(jué)得本文對(duì)你有幫助，麻煩點(diǎn)個(gè)贊和關(guān)注唄 ~~~點(diǎn)擊上方公眾號(hào)，關(guān)注↑↑↑
公眾號(hào)內(nèi)文章一覽 
|
