【LlamaIndex教程】1. 数据迷惑模块教程（附代码）

全球好，我是 同学小张，执续学习C++进阶学问和AI大模子利用实战案例，执续共享，接待全球点赞+原宥，共同学习和跳跃。

上篇著作咱们通过一个粗浅的例子，学习了LlamaIndex的安设和基本使用，使用 LlamaIndex 构建了一个粗浅的RAG问答系统。今天咱们运行系统化学习，领先看一下LlamaIndex的Load部分。Load部分崇拜文献数据结合。

0. 文献类型加载器：SimpleDirectoryReader

上篇著作代码的一运行，咱们就使用了这个Reader：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader# 使用SimpleDirectoryReader从指定旅途加载数据documents = SimpleDirectoryReader("D:\GitHub\LEARN_LLM\LlamaIndex\data").load_data()

这是 LlamaIndex 中最容易使用的一个文献夹加载器。它会读取传入的文献夹旅途中的扫数文献，不错读取各式体式，包括Markdown、PDF、Word、PowerPoint、图像、音频和视频等。

来看下其具体集成的类型：

参考：https://llamahub.ai/l/readers/llama-index-readers-file?from=

from llama_index.core import SimpleDirectoryReaderfrom 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 exampleparser = DocxReader()file_extractor = {".docx": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# HWP Reader exampleparser = HWPReader()file_extractor = {".hwp": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Epub Reader exampleparser = EpubReader()file_extractor = {".epub": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Flat Reader exampleparser = FlatReader()file_extractor = {".txt": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# HTML Tag Reader exampleparser = HTMLTagReader()file_extractor = {".html": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Image Reader exampleparser = ImageReader()file_extractor = {    ".jpg": parser,    ".jpeg": parser,    ".png": parser,}  # Add other image formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# IPYNB Reader exampleparser = IPYNBReader()file_extractor = {".ipynb": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Markdown Reader exampleparser = MarkdownReader()file_extractor = {".md": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Mbox Reader exampleparser = MboxReader()file_extractor = {".mbox": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Pptx Reader exampleparser = PptxReader()file_extractor = {".pptx": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Pandas CSV Reader exampleparser = PandasCSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# PyMuPDF Reader exampleparser = PyMuPDFReader()file_extractor = {".pdf": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# XML Reader exampleparser = XMLReader()file_extractor = {".xml": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Paged CSV Reader exampleparser = PagedCSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# CSV Reader exampleparser = CSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()

1. LlamaHub 中的加载器

除了上头的读取文献以外，本体糊口中还有好多地点不错获得数据，举例GitHub，网页，数据库等。这些数据加载器在 LlamaHub 中完了，不错按需使用。下图是 LlamaHub 中加载器列表：

图片

1.1 使用模样

领先得安设相应的包，举例使用DatabaseReader：

pip install llama-index-readers-google# 或者在使用之前加底下这一瞥应该也行：# from llama_index.core import download_loader

不然会报错：

图片

然后就不错平素使用了：

from llama_index.core import download_loaderfrom llama_index.readers.database import DatabaseReaderreader = 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. 不错平直将笔墨疏导成 LlamaIndex 需要的 Document 结构

from llama_index.core import Documentdoc = Document(text="text")

3. 文档内容疏导

加载数据后，下一步是将数据进行惩办和疏导。这些疏导包括分块、索求元数据和对每个块进行向量化，从而确保大模子简略检索数据。

3.1 一步到位的粗浅范例

其中最粗浅的疏导作念法，是上篇著作中咱们使用的：from_documents范例。

from llama_index.core import VectorStoreIndexvector_index = VectorStoreIndex.from_documents(documents)vector_index.as_query_engine()

from_documents（）范例，接纳一个Document对象数组，并自动显露和拆分它们。

3.2 自界说疏导

只怕间咱们需要我方范围分块等这些疏导的逻辑。有以下两种模样：

（1）使用 from_documents 的 transformations 参数，传入一个自界说的分块器。

from llama_index.core.node_parser import SentenceSplittertext_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)# per-indexindex = VectorStoreIndex.from_documents(    documents, transformations=[text_splitter])

（2）使用全局设立，设立默许的分块器。

from llama_index.core.node_parser import SentenceSplittertext_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)# globalfrom llama_index.core import SettingsSettings.text_splitter = text_splitter# per-indexindex = VectorStoreIndex.from_documents(documents)

4. 回来

本文咱们先容了 LlamaIndex 中加载器，以及若何使用它们。LlamaIndex提供了内置的文献加载器，同期也因循 LlamHub 中提供的各式其它类型加载器。

著作终末，粗浅先容了下 LlamaIndex 中若何将加载到的文档数据疏导成索引。

5. 参考

· https://docs.llamaindex.ai/en/stable/understanding/loading/loading/

· https://docs.llamaindex.ai/en/stable/understanding/loading/llamahub/

如若以为本文对你有匡助，逶迤点个赞和原宥呗 ~~~点击上方公众号，原宥↑↑↑

· 全球好，我是 同学小张，日常共享AI学问和实战案例

· 接待 点赞 + 原宥 👏，执续学习，执续干货输出。

公众号内著作一览

图片

本站仅提供存储办事，扫数内容均由用户发布，如发现存害或侵权内容，请点击举报。