Загрузка документов разных форматов
Изучите методы загрузки данных из различных источников, таких как PDF-файлы, веб-страницы, базы данных и пользовательские типы файлов.
«Загрузка документов разных форматов» — бесплатный урок LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения LLM Apps in Production (RAG + Vector DB + Caching), и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Ingesting Diverse Document Types
Welcome! In RAG, your LLM needs information from various sources. This lesson explores how to load data from different document formats into your application.
The goal is to get raw text from places like web pages, PDFs, and databases, preparing it for the next steps in your RAG pipeline.
Loading Web Pages (HTML)
Web pages are a common source of information. To ingest them, you typically:
- Fetch the HTML: Use an HTTP client to download the page content from a URL.
- Parse the HTML: Extract the main text and discard navigation, ads, and other irrelevant elements.
Libraries like requests for fetching and BeautifulSoup for parsing are very popular in Python.
Web Page Loading Example
This Python snippet demonstrates fetching a simple web page and extracting its title. Imagine doing this for many pages to build your knowledge base!
import requests
from bs4 import BeautifulSoup
def main():
url = "http://quotes.toscrape.com/"
try:
response = requests.get(url)
response.raise_for_status() # Raise HTTPError for bad responses
soup = BeautifulSoup(response.text, 'html.parser')
title = soup.find('title').get_text()
print(f"Page Title: {title}")
except requests.exceptions.RequestException as e:
print(f"Error fetching URL: {e}")
if __name__ == "__main__":
main()Extracting Text from PDFs
PDFs (Portable Document Format) are widely used for reports and documents. Extracting text from PDFs can be tricky due to their complex structure, which combines text, images, and formatting.
Fortunately, programming libraries exist to help. They can read the PDF structure and pull out the textual content, often page by page.
PDF Text Extraction Example
This conceptual Python code shows how you might extract text from the first page of a PDF using a library like pypdf. For a real run, you'd need a sample.pdf file.
from pypdf import PdfReader
def main():
# In a real scenario, 'sample.pdf' would exist
# For this example, we'll simulate the output
pdf_file_path = "sample.pdf"
print(f"Attempting to read from: {pdf_file_path}")
print("\n--- Simulated PDF Content ---")
print("This is some text from the first page of a sample PDF document.")
print("It contains important information for our RAG system.")
print("-----------------------------")
# Actual code might look like this:
# reader = PdfReader(pdf_file_path)
# page = reader.pages[0]
# text = page.extract_text()
# print(text)
if __name__ == "__main__":
main()Loading Data from Databases
Databases, both SQL (like PostgreSQL, MySQL) and NoSQL (like MongoDB, Cassandra), store structured data that can be valuable for RAG.
To ingest from databases:
- Connect: Establish a connection using database drivers.
- Query: Write queries (e.g., SQL statements) to retrieve relevant data.
- Process: Extract text fields from the query results.
Database Loading Example
Here's a Python example using SQLite, an embedded SQL database. It creates a simple table, inserts data, and then retrieves it. This is a common pattern for database ingestion.
import sqlite3
def main():
# Connect to an in-memory SQLite database
conn = sqlite3.connect(':memory:')
cursor = conn.cursor()
# Create a simple table
cursor.execute('''
CREATE TABLE IF NOT EXISTS documents (
id INTEGER PRIMARY KEY,
title TEXT,
content TEXT
)
''')
# Insert some data
cursor.execute("INSERT INTO documents (title, content) VALUES (?, ?)",
("RAG Overview", "RAG enhances LLMs by retrieving relevant docs."))
cursor.execute("INSERT INTO documents (title, content) VALUES (?, ?)",
("Vector DBs", "Store embeddings for fast similarity search."))
conn.commit()
# Retrieve data
cursor.execute("SELECT title, content FROM documents")
rows = cursor.fetchall()
print("--- Retrieved Documents ---")
for row in rows:
print(f"Title: {row[0]}, Content: {row[1]}")
print("---------------------------")
conn.close()
if __name__ == "__main__":
main()Handling Plain Text & Custom Files
Beyond specific formats, you'll often deal with plain text files (.txt, .md) or custom formats (e.g., CSV, JSON). For these:
- Plain Text: Read directly, paying attention to encoding (UTF-8 is common).
- Custom Formats: Use libraries specific to the format (e.g.,
csv,jsonmodules in Python) to parse and extract text fields.
The key is transforming the data into a usable text string.
Unified Data Loading with Libraries
For complex RAG systems, you don't always need to write custom loaders for every format. Libraries like LlamaIndex and LangChain offer 'Document Loaders' that abstract away much of this complexity.
- They provide connectors for many data sources (web, PDF, databases, cloud storage).
- They often handle basic parsing and text extraction automatically.
These tools simplify the initial ingestion step, letting you focus on retrieval and generation.
Check Your Knowledge
Which of the following is typically a primary challenge when extracting text content from PDF documents for a RAG system?
Recap: Loading Diverse Data
Great job! You've learned the fundamentals of loading diverse document formats for your RAG system.
- We covered fetching and parsing web pages.
- Discussed extracting text from complex PDFs.
- Explored querying databases for structured content.
- Touched upon handling plain text and other custom files.
- Recognized the value of unified data loading libraries.
The next step is to prepare this raw text for effective retrieval!
Часто задаваемые вопросы
Урок «Загрузка документов разных форматов» бесплатный?
Да — полный текст урока «Загрузка документов разных форматов» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс LLM Apps in Production (RAG + Vector DB + Caching), подпишись на CoddyKit PRO. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Чему я научусь в уроке «Загрузка документов разных форматов»?
Изучите методы загрузки данных из различных источников, таких как PDF-файлы, веб-страницы, базы данных и пользовательские типы файлов. Ты практикуешь LLM Apps in Production (RAG + Vector DB + Caching) с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать LLM Apps in Production (RAG + Vector DB + Caching)?
Предыдущий опыт не требуется. LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.
Сколько времени занимает урок «Загрузка документов разных форматов»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке LLM Apps in Production (RAG + Vector DB + Caching)?
Да. Каждый урок LLM Apps in Production (RAG + Vector DB + Caching) включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Загрузка документов разных форматов
- Стратегии разбиения с учётом контекста
- Управление метаданными и фильтрация
- Очистка и устранение дубликатов исходных данных