预处理
PreprocessReader #
Bases: BaseReader
Preprocess 是一项 API 服务,可将任何类型的文档分割成用于语言模型任务的最佳文本块。Preprocess 将文档分割成尊重原始文档布局和语义的文本块。了解更多信息请访问 https://preprocess.co/。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
api_key
|
str
|
[必需] Preprocess API 密钥。如果您还没有,请通过 [email protected] 申请。默认值: |
必需 |
file_path
|
str
|
[必需] 要预处理的文档路径 (转换并分割成块)。默认值: |
必需 |
table_output_format
|
str
|
文档中表格的输出格式。接受的值为 [text, markdown, html]。默认值: |
必需 |
repeat_table_header
|
bool
|
如果为 |
必需 |
merge
|
bool
|
如果为 |
必需 |
repeat_title
|
bool
|
如果为 |
必需 |
keep_header
|
bool
|
如果为 |
必需 |
smart_header
|
bool
|
如果为 |
必需 |
keep_footer
|
bool
|
如果为 |
必需 |
image_text
|
bool
|
如果为 |
必需 |
示例
>>> loader = PreprocessReader(api_key="your-api-key", file_path="valid/path/to/file")
源代码位于 llama-index-integrations/readers/llama-index-readers-preprocess/llama_index/readers/preprocess/base.py
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 |
|
load_data #
load_data(return_whole_document=False) -> List[Document]
从 Preprocess 加载数据。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
return_whole_document
|
bool
|
返回一个只包含一个元素的列表,该元素包含完整文档。默认值: |
False
|
示例
>>> documents = loader.load_data()
>>> documents = loader.load_data(return_whole_document=True)
返回
类型 | 描述 |
---|---|
List[Document]
|
List[Document]: 一个文档列表,每个文档包含原始文档的一个块。 |
源代码位于 llama-index-integrations/readers/llama-index-readers-preprocess/llama_index/readers/preprocess/base.py
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 |
|
get_process_id #
get_process_id()
从 Preprocess 获取进程的哈希 ID。
示例
>>> process_id = loader.get_process_id()
返回
名称 | 类型 | 描述 |
---|---|---|
str |
进程的哈希 ID。 |
源代码位于 llama-index-integrations/readers/llama-index-readers-preprocess/llama_index/readers/preprocess/base.py
189 190 191 192 193 194 195 196 197 198 199 200 201 |
|
get_nodes #
get_nodes() -> List[TextNode]
从 Preprocess 的块获取节点。
示例
>>> nodes = loader.get_nodes()
返回
类型 | 描述 |
---|---|
List[TextNode]
|
List[TextNode]: 节点列表,每个节点包含原始文档的一个块。 |
源代码位于 llama-index-integrations/readers/llama-index-readers-preprocess/llama_index/readers/preprocess/base.py
203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 |
|