ETL 管道

提取、转换和加载 (ETL) 框架是检索增强生成 (RAG) 用例中数据处理的支柱。

ETL 管道协调从原始数据源到结构化向量存储的数据流，确保数据以最优格式供 AI 模型检索。

RAG 用例通过从数据主体中检索相关信息来增强生成模型的能力，从而提高生成输出的质量和相关性。

API 概述

ETL 管道创建、转换和存储 Document 实例。

Document 类包含文本、元数据以及可选的附加媒体类型，如图像、音频和视频。

ETL 管道有三个主要组件：

DocumentReader 实现了 Supplier<List<Document>>
DocumentTransformer 实现了 Function<List<Document>, List<Document>>
DocumentWriter 实现了 Consumer<List<Document>>

Document 类的内容是通过 DocumentReader 从 PDF、文本文件和其他文档类型创建的。

要构建一个简单的 ETL 管道，您可以将每种类型的一个实例连接起来。

假设我们有以下三个 ETL 类型的实例：

PagePdfDocumentReader 是 DocumentReader 的实现
TokenTextSplitter 是 DocumentTransformer 的实现
VectorStore 是 DocumentWriter 的实现

要将数据基本加载到向量数据库中以用于检索增强生成模式，请使用 Java 函数式语法中的以下代码。

vectorStore.accept(tokenTextSplitter.apply(pdfReader.get()));

或者，您可以使用对领域更具表达性的方法名称

vectorStore.write(tokenTextSplitter.split(pdfReader.read()));

ETL 接口

ETL 管道由以下接口和实现组成。详细的 ETL 类图显示在 ETL 类图部分。

DocumentReader

提供来自不同来源的文档。

public interface DocumentReader extends Supplier<List<Document>> {

    default List<Document> read() {
		return get();
	}
}

DocumentTransformer

作为处理工作流的一部分，转换一批文档。

public interface DocumentTransformer extends Function<List<Document>, List<Document>> {

    default List<Document> transform(List<Document> transform) {
		return apply(transform);
	}
}

DocumentWriter

管理 ETL 过程的最后阶段，准备文档以进行存储。

public interface DocumentWriter extends Consumer<List<Document>> {

    default void write(List<Document> documents) {
		accept(documents);
	}
}

ETL 类图

以下类图说明了 ETL 接口和实现。

DocumentReaders

JSON

JsonReader 处理 JSON 文档，将其转换为 Document 对象的列表。

示例

@Component
class MyJsonReader {

	private final Resource resource;

    MyJsonReader(@Value("classpath:bikes.json") Resource resource) {
        this.resource = resource;
    }

	List<Document> loadJsonAsDocuments() {
        JsonReader jsonReader = new JsonReader(this.resource, "description", "content");
        return jsonReader.get();
	}
}

构造函数选项

JsonReader 提供了几个构造函数选项

JsonReader(Resource resource)
JsonReader(Resource resource, String… jsonKeysToUse)
JsonReader(Resource resource, JsonMetadataGenerator jsonMetadataGenerator, String… jsonKeysToUse)

参数

resource：指向 JSON 文件的 Spring Resource 对象。
jsonKeysToUse：JSON 中的键数组，应将其用作生成 Document 对象中的文本内容。
jsonMetadataGenerator：一个可选的 JsonMetadataGenerator，用于为每个 Document 创建元数据。

行为

JsonReader 按如下方式处理 JSON 内容

它可以处理 JSON 数组和单个 JSON 对象。
对于每个 JSON 对象（无论是数组中的还是单个对象）
- 它根据指定的 jsonKeysToUse 提取内容。
- 如果未指定键，它将整个 JSON 对象用作内容。
- 它使用提供的 JsonMetadataGenerator（如果未提供则使用空生成器）生成元数据。
- 它使用提取的内容和元数据创建一个 Document 对象。

使用 JSON 指针

JsonReader 现在支持使用 JSON 指针检索 JSON 文档的特定部分。此功能允许您轻松地从复杂的 JSON 结构中提取嵌套数据。

`get(String pointer)` 方法

public List<Document> get(String pointer)

此方法允许您使用 JSON 指针检索 JSON 文档的特定部分。

参数

pointer：一个 JSON 指针字符串（根据 RFC 6901 定义），用于在 JSON 结构中定位所需元素。

返回值

返回一个 List<Document>，其中包含从指针定位的 JSON 元素解析的文档。

行为

该方法使用提供的 JSON 指针导航到 JSON 结构中的特定位置。
如果指针有效并指向现有元素
- 对于 JSON 对象：它返回一个包含单个 Document 的列表。
- 对于 JSON 数组：它返回一个 Document 列表，数组中的每个元素对应一个 Document。
如果指针无效或指向不存在的元素，它将抛出 IllegalArgumentException。

示例

JsonReader jsonReader = new JsonReader(resource, "description");
List<Document> documents = this.jsonReader.get("/store/books/0");

示例 JSON 结构

[
  {
    "id": 1,
    "brand": "Trek",
    "description": "A high-performance mountain bike for trail riding."
  },
  {
    "id": 2,
    "brand": "Cannondale",
    "description": "An aerodynamic road bike for racing enthusiasts."
  }
]

在此示例中，如果 JsonReader 配置为将 "description" 作为 jsonKeysToUse，它将创建 Document 对象，其中内容是数组中每辆自行车的 "description" 字段的值。

注意

JsonReader 使用 Jackson 进行 JSON 解析。
它可以通过对数组使用流式传输来高效处理大型 JSON 文件。
如果 jsonKeysToUse 中指定了多个键，则内容将是这些键值的串联。
读取器非常灵活，可以通过自定义 jsonKeysToUse 和 JsonMetadataGenerator 来适应各种 JSON 结构。

文本

TextReader 处理纯文本文档，将其转换为 Document 对象的列表。

示例

@Component
class MyTextReader {

    private final Resource resource;

    MyTextReader(@Value("classpath:text-source.txt") Resource resource) {
        this.resource = resource;
    }

	List<Document> loadText() {
		TextReader textReader = new TextReader(this.resource);
		textReader.getCustomMetadata().put("filename", "text-source.txt");

		return textReader.read();
    }
}

构造函数选项

TextReader 提供两个构造函数选项

TextReader(String resourceUrl)
TextReader(Resource resource)

参数

resourceUrl：表示要读取的资源 URL 的字符串。
resource：指向文本文件的 Spring Resource 对象。

配置

setCharset(Charset charset)：设置用于读取文本文件的字符集。默认为 UTF-8。
getCustomMetadata()：返回一个可变映射，您可以在其中为文档添加自定义元数据。

行为

TextReader 按如下方式处理文本内容

它将文本文件的全部内容读入单个 Document 对象。
文件的内容成为 Document 的内容。
元数据会自动添加到 Document 中
- charset：用于读取文件的字符集（默认值："UTF-8"）。
- source：源文本文件的文件名。
通过 getCustomMetadata() 添加的任何自定义元数据都包含在 Document 中。

注意

TextReader 将整个文件内容读入内存，因此它可能不适合非常大的文件。
如果您需要将文本拆分成更小的块，您可以在读取文档后使用文本拆分器，例如 TokenTextSplitter

List<Document> documents = textReader.get();
List<Document> splitDocuments = new TokenTextSplitter().apply(this.documents);

读取器使用 Spring 的 Resource 抽象，允许它从各种来源（类路径、文件系统、URL 等）读取。
可以使用 getCustomMetadata() 方法将自定义元数据添加到读取器创建的所有文档中。

HTML (JSoup)

JsoupDocumentReader 处理 HTML 文档，使用 JSoup 库将其转换为 Document 对象的列表。

示例

@Component
class MyHtmlReader {

    private final Resource resource;

    MyHtmlReader(@Value("classpath:/my-page.html") Resource resource) {
        this.resource = resource;
    }

    List<Document> loadHtml() {
        JsoupDocumentReaderConfig config = JsoupDocumentReaderConfig.builder()
            .selector("article p") // Extract paragraphs within <article> tags
            .charset("ISO-8859-1")  // Use ISO-8859-1 encoding
            .includeLinkUrls(true) // Include link URLs in metadata
            .metadataTags(List.of("author", "date")) // Extract author and date meta tags
            .additionalMetadata("source", "my-page.html") // Add custom metadata
            .build();

        JsoupDocumentReader reader = new JsoupDocumentReader(this.resource, config);
        return reader.get();
    }
}

JsoupDocumentReaderConfig 允许您自定义 JsoupDocumentReader 的行为

charset：指定 HTML 文档的字符编码（默认为 "UTF-8"）。
selector：一个 JSoup CSS 选择器，用于指定从哪些元素中提取文本（默认为 "body"）。
separator：用于连接来自多个选定元素的文本的字符串（默认为 "\n"）。
allElements：如果为 true，则从 <body> 元素中提取所有文本，忽略 selector（默认为 false）。
groupByElement：如果为 true，则为 selector 匹配的每个元素创建一个单独的 Document（默认为 false）。
includeLinkUrls：如果为 true，则提取绝对链接 URL 并将其添加到元数据中（默认为 false）。
metadataTags：要提取内容的 <meta> 标签名称列表（默认为 ["description", "keywords"]）。
additionalMetadata：允许您向所有创建的 Document 对象添加自定义元数据。

示例文档：my-page.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>My Web Page</title>
    <meta name="description" content="A sample web page for Spring AI">
    <meta name="keywords" content="spring, ai, html, example">
    <meta name="author" content="John Doe">
    <meta name="date" content="2024-01-15">
    <link rel="stylesheet" href="style.css">
</head>
<body>
    <header>
        <h1>Welcome to My Page</h1>
    </header>
    <nav>
        <ul>
            <li><a href="/">Home</a></li>
            <li><a href="/about">About</a></li>
        </ul>
    </nav>
    <article>
        <h2>Main Content</h2>
        <p>This is the main content of my web page.</p>
        <p>It contains multiple paragraphs.</p>
        <a href="https://www.example.com">External Link</a>
    </article>
    <footer>
        <p>&copy; 2024 John Doe</p>
    </footer>
</body>
</html>

行为

JsoupDocumentReader 处理 HTML 内容并根据配置创建 Document 对象

selector 确定用于文本提取的元素。
如果 allElements 为 true，则 <body> 中的所有文本都提取到单个 Document 中。
如果 groupByElement 为 true，则与 selector 匹配的每个元素都会创建一个单独的 Document。
如果 allElements 和 groupByElement 都不是 true，则将所有与 selector 匹配的元素的文本使用 separator 连接起来。
文档标题、从指定 <meta> 标签中提取的内容以及（可选）链接 URL 将添加到 Document 元数据中。
基本 URI，用于解析相对链接，将从 URL 资源中提取。

读取器保留选定元素的文本内容，但会删除其中的任何 HTML 标签。

Markdown

MarkdownDocumentReader 处理 Markdown 文档，将其转换为 Document 对象的列表。

示例

@Component
class MyMarkdownReader {

    private final Resource resource;

    MyMarkdownReader(@Value("classpath:code.md") Resource resource) {
        this.resource = resource;
    }

    List<Document> loadMarkdown() {
        MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder()
            .withHorizontalRuleCreateDocument(true)
            .withIncludeCodeBlock(false)
            .withIncludeBlockquote(false)
            .withAdditionalMetadata("filename", "code.md")
            .build();

        MarkdownDocumentReader reader = new MarkdownDocumentReader(this.resource, config);
        return reader.get();
    }
}

MarkdownDocumentReaderConfig 允许您自定义 MarkdownDocumentReader 的行为

horizontalRuleCreateDocument：设置为 true 时，Markdown 中的水平线将创建新的 Document 对象。
includeCodeBlock：设置为 true 时，代码块将包含在与周围文本相同的 Document 中。设置为 false 时，代码块会创建单独的 Document 对象。
includeBlockquote：设置为 true 时，引用块将包含在与周围文本相同的 Document 中。设置为 false 时，引用块会创建单独的 Document 对象。
additionalMetadata：允许您向所有创建的 Document 对象添加自定义元数据。

示例文档：code.md

This is a Java sample application:

```java
package com.example.demo;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class DemoApplication {
    public static void main(String[] args) {
        SpringApplication.run(DemoApplication.class, args);
    }
}
```

Markdown also provides the possibility to `use inline code formatting throughout` the entire sentence.

---

Another possibility is to set block code without specific highlighting:

```
./mvnw spring-javaformat:apply
```

行为：MarkdownDocumentReader 处理 Markdown 内容并根据配置创建 Document 对象

标题成为 Document 对象中的元数据。
段落成为 Document 对象的内容。
代码块可以分离到自己的 Document 对象中，也可以与周围文本一起包含。
引用块可以分离到自己的 Document 对象中，也可以与周围文本一起包含。
水平线可用于将内容拆分为单独的 Document 对象。

读取器保留 Document 对象内容中的行内代码、列表和文本样式等格式。

PDF 页面

PagePdfDocumentReader 使用 Apache PdfBox 库解析 PDF 文档

使用 Maven 或 Gradle 将依赖项添加到您的项目中。

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-pdf-document-reader'
}

示例

@Component
public class MyPagePdfDocumentReader {

	List<Document> getDocsFromPdf() {

		PagePdfDocumentReader pdfReader = new PagePdfDocumentReader("classpath:/sample1.pdf",
				PdfDocumentReaderConfig.builder()
					.withPageTopMargin(0)
					.withPageExtractedTextFormatter(ExtractedTextFormatter.builder()
						.withNumberOfTopTextLinesToDelete(0)
						.build())
					.withPagesPerDocument(1)
					.build());

		return pdfReader.read();
    }

}

PDF 段落

ParagraphPdfDocumentReader 使用 PDF 目录（例如 TOC）信息将输入 PDF 拆分为文本段落，并为每个段落输出一个 Document。注意：并非所有 PDF 文档都包含 PDF 目录。

依赖关系

使用 Maven 或 Gradle 将依赖项添加到您的项目中。

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-pdf-document-reader'
}

示例

@Component
public class MyPagePdfDocumentReader {

	List<Document> getDocsFromPdfWithCatalog() {

        ParagraphPdfDocumentReader pdfReader = new ParagraphPdfDocumentReader("classpath:/sample1.pdf",
                PdfDocumentReaderConfig.builder()
                    .withPageTopMargin(0)
                    .withPageExtractedTextFormatter(ExtractedTextFormatter.builder()
                        .withNumberOfTopTextLinesToDelete(0)
                        .build())
                    .withPagesPerDocument(1)
                    .build());

	    return pdfReader.read();
    }
}

Tika (DOCX, PPTX, HTML…)

TikaDocumentReader 使用 Apache Tika 从各种文档格式（例如 PDF、DOC/DOCX、PPT/PPTX 和 HTML）中提取文本。有关支持格式的完整列表，请参阅 Tika 文档。

依赖关系

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-tika-document-reader</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-tika-document-reader'
}

示例

@Component
class MyTikaDocumentReader {

    private final Resource resource;

    MyTikaDocumentReader(@Value("classpath:/word-sample.docx")
                            Resource resource) {
        this.resource = resource;
    }

    List<Document> loadText() {
        TikaDocumentReader tikaDocumentReader = new TikaDocumentReader(this.resource);
        return tikaDocumentReader.read();
    }
}

转换器

TextSplitter

TextSplitter 是一个抽象基类，用于帮助分割文档以适应 AI 模型的上下文窗口。

TokenTextSplitter

TokenTextSplitter 是 TextSplitter 的一个实现，它使用 CL100K_BASE 编码根据令牌计数将文本分割成块。

用法

@Component
class MyTokenTextSplitter {

    public List<Document> splitDocuments(List<Document> documents) {
        TokenTextSplitter splitter = new TokenTextSplitter();
        return splitter.apply(documents);
    }

    public List<Document> splitCustomized(List<Document> documents) {
        TokenTextSplitter splitter = new TokenTextSplitter(1000, 400, 10, 5000, true);
        return splitter.apply(documents);
    }
}

构造函数选项

TokenTextSplitter 提供两个构造函数选项

TokenTextSplitter()：使用默认设置创建拆分器。
TokenTextSplitter(int defaultChunkSize, int minChunkSizeChars, int minChunkLengthToEmbed, int maxNumChunks, boolean keepSeparator)

参数

defaultChunkSize：每个文本块的令牌目标大小（默认值：800）。
minChunkSizeChars：每个文本块的最小字符大小（默认值：350）。
minChunkLengthToEmbed：要包含的块的最小长度（默认值：5）。
maxNumChunks：从文本生成的最大块数（默认值：10000）。
keepSeparator：是否在块中保留分隔符（如换行符）（默认值：true）。

行为

TokenTextSplitter 按如下方式处理文本内容

它使用 CL100K_BASE 编码将输入文本编码为令牌。
它根据 defaultChunkSize 将编码文本分割成块。
对于每个块
1. 它将块解码回文本。
2. 它尝试在 minChunkSizeChars 之后找到合适的断点（句号、问号、感叹号或换行符）。
3. 如果找到断点，它会在该点截断块。
4. 它根据 keepSeparator 设置修剪块并可选地删除换行符。
5. 如果生成的块长于 minChunkLengthToEmbed，则将其添加到输出中。
此过程一直持续到所有令牌都处理完毕或达到 maxNumChunks。
任何剩余文本如果长于 minChunkLengthToEmbed，则作为最后一个块添加。

示例

Document doc1 = new Document("This is a long piece of text that needs to be split into smaller chunks for processing.",
        Map.of("source", "example.txt"));
Document doc2 = new Document("Another document with content that will be split based on token count.",
        Map.of("source", "example2.txt"));

TokenTextSplitter splitter = new TokenTextSplitter();
List<Document> splitDocuments = this.splitter.apply(List.of(this.doc1, this.doc2));

for (Document doc : splitDocuments) {
    System.out.println("Chunk: " + doc.getContent());
    System.out.println("Metadata: " + doc.getMetadata());
}

注意

TokenTextSplitter 使用 jtokkit 库中的 CL100K_BASE 编码，该编码与较新的 OpenAI 模型兼容。
拆分器尝试通过在可能的情况下在句子边界处断开来创建具有语义意义的块。
原始文档中的元数据被保留并复制到从该文档派生的所有块中。
如果 copyContentFormatter 设置为 true（默认行为），则原始文档中的内容格式化程序（如果已设置）也会复制到派生块中。
此拆分器对于为具有令牌限制的大型语言模型准备文本特别有用，可确保每个块都在模型的处理能力范围内。

ContentFormatTransformer

确保所有文档内容格式统一。

KeywordMetadataEnricher

KeywordMetadataEnricher 是一个 DocumentTransformer，它使用生成式 AI 模型从文档内容中提取关键字并将其添加为元数据。

用法

@Component
class MyKeywordEnricher {

    private final ChatModel chatModel;

    MyKeywordEnricher(ChatModel chatModel) {
        this.chatModel = chatModel;
    }

    List<Document> enrichDocuments(List<Document> documents) {
        KeywordMetadataEnricher enricher = KeywordMetadataEnricher.builder(chatModel)
                .keywordCount(5)
                .build();

        // Or use custom templates
        KeywordMetadataEnricher enricher = KeywordMetadataEnricher.builder(chatModel)
               .keywordsTemplate(YOUR_CUSTOM_TEMPLATE)
               .build();

        return enricher.apply(documents);
    }
}

构造函数选项

KeywordMetadataEnricher 提供两个构造函数选项

KeywordMetadataEnricher(ChatModel chatModel, int keywordCount)：使用默认模板并提取指定数量的关键字。
KeywordMetadataEnricher(ChatModel chatModel, PromptTemplate keywordsTemplate)：使用自定义模板进行关键字提取。

行为

KeywordMetadataEnricher 按如下方式处理文档

对于每个输入文档，它使用文档内容创建一个提示。
它将此提示发送到提供的 ChatModel 以生成关键字。
生成的关键字将以 "excerpt_keywords" 键添加到文档的元数据中。
返回经过富集的文档。

自定义

您可以使用默认模板，也可以通过 keywordsTemplate 参数自定义模板。默认模板是

\{context_str}. Give %s unique keywords for this document. Format as comma separated. Keywords:

其中 {context_str} 被文档内容替换，%s 被指定的关键字计数替换。

示例

ChatModel chatModel = // initialize your chat model
KeywordMetadataEnricher enricher = KeywordMetadataEnricher.builder(chatModel)
                .keywordCount(5)
                .build();

// Or use custom templates
KeywordMetadataEnricher enricher = KeywordMetadataEnricher.builder(chatModel)
                .keywordsTemplate(new PromptTemplate("Extract 5 important keywords from the following text and separate them with commas:\n{context_str}"))
                .build();

Document doc = new Document("This is a document about artificial intelligence and its applications in modern technology.");

List<Document> enrichedDocs = enricher.apply(List.of(this.doc));

Document enrichedDoc = this.enrichedDocs.get(0);
String keywords = (String) this.enrichedDoc.getMetadata().get("excerpt_keywords");
System.out.println("Extracted keywords: " + keywords);

注意

KeywordMetadataEnricher 需要一个功能正常的 ChatModel 来生成关键字。
关键字计数必须大于等于 1。
富集器为每个处理过的文档添加 "excerpt_keywords" 元数据字段。
生成的关键字以逗号分隔的字符串形式返回。
此富集器对于提高文档可搜索性以及为文档生成标签或类别特别有用。
在 Builder 模式中，如果设置了 keywordsTemplate 参数，则 keywordCount 参数将被忽略。

SummaryMetadataEnricher

SummaryMetadataEnricher 是一个 DocumentTransformer，它使用生成式 AI 模型为文档创建摘要并将其添加为元数据。它可以为当前文档以及相邻文档（上一文档和下一文档）生成摘要。

用法

@Configuration
class EnricherConfig {

    @Bean
    public SummaryMetadataEnricher summaryMetadata(OpenAiChatModel aiClient) {
        return new SummaryMetadataEnricher(aiClient,
            List.of(SummaryType.PREVIOUS, SummaryType.CURRENT, SummaryType.NEXT));
    }
}

@Component
class MySummaryEnricher {

    private final SummaryMetadataEnricher enricher;

    MySummaryEnricher(SummaryMetadataEnricher enricher) {
        this.enricher = enricher;
    }

    List<Document> enrichDocuments(List<Document> documents) {
        return this.enricher.apply(documents);
    }
}

构造函数

SummaryMetadataEnricher 提供两个构造函数

SummaryMetadataEnricher(ChatModel chatModel, List<SummaryType> summaryTypes)
SummaryMetadataEnricher(ChatModel chatModel, List<SummaryType> summaryTypes, String summaryTemplate, MetadataMode metadataMode)

参数

chatModel：用于生成摘要的 AI 模型。
summaryTypes：一个 SummaryType 枚举值列表，指示要生成哪些摘要（PREVIOUS、CURRENT、NEXT）。
summaryTemplate：用于摘要生成的自定义模板（可选）。
metadataMode：指定在生成摘要时如何处理文档元数据（可选）。

行为

SummaryMetadataEnricher 按如下方式处理文档

对于每个输入文档，它使用文档内容和指定的摘要模板创建一个提示。
它将此提示发送到提供的 ChatModel 以生成摘要。
根据指定的 summaryTypes，它会向每个文档添加以下元数据
- section_summary：当前文档的摘要。
- prev_section_summary：上一文档的摘要（如果可用且已请求）。
- next_section_summary：下一文档的摘要（如果可用且已请求）。
返回经过富集的文档。

自定义

摘要生成提示可以通过提供自定义 summaryTemplate 来定制。默认模板是

"""
Here is the content of the section:
{context_str}

Summarize the key topics and entities of the section.

Summary:
"""

示例

ChatModel chatModel = // initialize your chat model
SummaryMetadataEnricher enricher = new SummaryMetadataEnricher(chatModel,
    List.of(SummaryType.PREVIOUS, SummaryType.CURRENT, SummaryType.NEXT));

Document doc1 = new Document("Content of document 1");
Document doc2 = new Document("Content of document 2");

List<Document> enrichedDocs = enricher.apply(List.of(this.doc1, this.doc2));

// Check the metadata of the enriched documents
for (Document doc : enrichedDocs) {
    System.out.println("Current summary: " + doc.getMetadata().get("section_summary"));
    System.out.println("Previous summary: " + doc.getMetadata().get("prev_section_summary"));
    System.out.println("Next summary: " + doc.getMetadata().get("next_section_summary"));
}

提供的示例演示了预期行为

对于两个文档的列表，两个文档都收到 section_summary。
第一个文档收到 next_section_summary，但没有 prev_section_summary。
第二个文档收到 prev_section_summary，但没有 next_section_summary。
第一个文档的 section_summary 与第二个文档的 prev_section_summary 匹配。
第一个文档的 next_section_summary 与第二个文档的 section_summary 匹配。

注意

SummaryMetadataEnricher 需要一个功能正常的 ChatModel 来生成摘要。
富集器可以处理任意大小的文档列表，并正确处理第一个和最后一个文档的边界情况。
此富集器对于创建上下文感知摘要特别有用，可以更好地理解序列中的文档关系。
MetadataMode 参数允许控制如何将现有元数据合并到摘要生成过程中。

写入器

文件

FileDocumentWriter 是 DocumentWriter 的实现，它将 Document 对象列表的内容写入文件。

用法

@Component
class MyDocumentWriter {

    public void writeDocuments(List<Document> documents) {
        FileDocumentWriter writer = new FileDocumentWriter("output.txt", true, MetadataMode.ALL, false);
        writer.accept(documents);
    }
}

构造函数

FileDocumentWriter 提供三个构造函数

FileDocumentWriter(String fileName)
FileDocumentWriter(String fileName, boolean withDocumentMarkers)
FileDocumentWriter(String fileName, boolean withDocumentMarkers, MetadataMode metadataMode, boolean append)

参数

fileName：要写入文档的文件名。
withDocumentMarkers：是否在输出中包含文档标记（默认值：false）。
metadataMode：指定要写入文件的文档内容（默认值：MetadataMode.NONE）。
append：如果为 true，数据将写入文件末尾而不是开头（默认值：false）。

行为

FileDocumentWriter 按如下方式处理文档

它为指定的文件名打开一个 FileWriter。
对于输入列表中的每个文档
1. 如果 withDocumentMarkers 为 true，它会写入包含文档索引和页码的文档标记。
2. 它根据指定的 metadataMode 写入文档的格式化内容。
写入所有文档后，文件将关闭。

文档标记

当 withDocumentMarkers 设置为 true 时，写入器会为每个文档包含以下格式的标记

### Doc: [index], pages:[start_page_number,end_page_number]

元数据处理

写入器使用两个特定的元数据键

page_number：表示文档的起始页码。
end_page_number：表示文档的结束页码。

这些用于写入文档标记时。

示例

List<Document> documents = // initialize your documents
FileDocumentWriter writer = new FileDocumentWriter("output.txt", true, MetadataMode.ALL, true);
writer.accept(documents);

这将把所有文档写入 "output.txt"，包括文档标记，使用所有可用的元数据，如果文件已存在则附加到文件。

注意

写入器使用 FileWriter，因此它以操作系统的默认字符编码写入文本文件。
如果在写入过程中发生错误，将抛出 RuntimeException，其原因将是原始异常。
metadataMode 参数允许控制如何将现有元数据合并到写入的内容中。
此写入器对于调试或创建文档集合的人类可读输出特别有用。

向量存储

提供与各种向量存储的集成。有关完整列表，请参阅向量数据库文档。

ETL 管道

API 概述

ETL 接口

DocumentReader

DocumentTransformer

DocumentWriter

ETL 类图

DocumentReaders

JSON

示例

构造函数选项

参数

行为

使用 JSON 指针

get(String pointer) 方法

参数

返回值

行为

示例

示例 JSON 结构

注意

文本

示例

构造函数选项

参数

配置

行为

注意

HTML (JSoup)

示例

示例文档：my-page.html

Markdown

示例

示例文档：code.md

PDF 页面

示例

PDF 段落

依赖关系

示例

Tika (DOCX, PPTX, HTML…​)

依赖关系

示例

转换器

TextSplitter

TokenTextSplitter

用法

构造函数选项

参数

行为

示例

注意

ContentFormatTransformer

KeywordMetadataEnricher

用法

构造函数选项

行为

自定义

示例

注意

SummaryMetadataEnricher

用法

构造函数

参数

行为

自定义

示例

注意

写入器

文件

用法

构造函数

参数

行为

文档标记

元数据处理

示例

注意

向量存储

`get(String pointer)` 方法

Tika (DOCX, PPTX, HTML…)