微信扫码
与创始人交个朋友
我要投稿
ThinkRAG大模型RAG实战系列文章,带你深入探索使用LlamaIndex框架,构建本地大模型知识库问答系统。本系列涵盖知识库管理、检索优化、模型本地部署等主题,通过代码与实例,讲解如何打造生产级系统,实现本地知识库的快速检索与智能问答。
LLamaIndex提供了众多数据装载器(Loader)。我们最常用的是SimpleDirectoryReader,用于加载各种PDF、DOCX文件或整个文件夹。
对于网页,我们此前使用的是SimpleWebPageReader。LlamaIndex还提供了很多其他Web Reader,比如:UnstructuredURLLoader等。
但是,这些网页加载器,可能存在两个问题:
第一,元数据通常只有原始url信息。缺失了网页文章的标题、作者、日期等重要信息,不利于未来知识库的浏览和检索。
第二,加载网页后,提取的内容不全面。通常丢失了原本的结构信息。比如SimpleWebPageReader用html2txt组件,仅输出纯文本,缺少段落、小标题等信息,也丢失了图表信息。
对于第二个问题,其实PDF等文件的处理也适用,未来再展开讨论。本文重点解决第一个问题。
这里,我们引入了BeautifulSoup。
BeautifulSoup是一个用于解析 HTML 和 XML 文档的 Python 库,常用于网页抓取(web scraping)和数据提取。BeautifulSoup 能够轻松地导航、搜索和修改解析树,并且它提供了一些简单的方法来处理页面上的数据。
实际上LlamaIndex已经提供了使用BeautifulSoup的网页加载器BeautifulSoupWebReader。但是,它提取内容时并没有获取网页标题等更多元数据。
实际上,大部分网页的HTML标签<Title>,已经指明了网页标题,我们可以使用BeautifulSoup提取这个标签的内容:soup.select_one("title"),从而获取网页标题。
因此,基于LlamaIndex原有BeautifulSoupWebReader代码,我做了如下代码改写:
from urllib.parse import urlparse
import requests
from bs4 import BeautifulSoup
documents = []
for url in urls:
try:
page = requests.get(url)
except Exception:
raise ValueError(f"One of the inputs is not a valid url: {url}")
hostname = custom_hostname or urlparse(url).hostname or ""
soup = BeautifulSoup(page.content, "html.parser")
data = ""
extra_info = {
"title": soup.select_one("title"),
"url_source": url,
"creation_date": datetime.now().date().isoformat(),# Convert datetime to ISO format string
}
if hostname in self._website_extractor:
data, metadata = self._website_extractor[hostname](
soup=soup, url=url, include_url_in_text=include_url_in_text
)
extra_info.update(metadata)
else:
data = soup.getText()
documents.append(Document(text=data, id_=url, extra_info=extra_info))
return documents
然而,并非所有的网页,都能通过这种方式获取标题。
比如,当我们打开一篇微信公众号文章,它的网页标题是通过Javascript代码动态设定的。这时,我们可以通过BeautifulSoup提取<meta>标签中相应的数据。
于是,我们可以针对微信公众号文章的特点,专门编写相应的处理逻辑,代码如下:
def _mpweixin_reader(soup: Any, **kwargs) -> Tuple[str, Dict[str, Any]]:meta_tag_title = soup.find('meta', attrs={'property': 'og:title'})title = meta_tag_title['content']extra_info = {"title": title,}text = soup.select_one("div #page-content").getText() return text, extra_info
未来进一步,基于这种模块化的方式,我们还可以实现更多功能:
提取更多元数据,比如文章作者、发布日期等信息
使用BeautifulSoup提取网页的主要内容,并保留相关结构信息,并适当地处理网页中的图片信息与表格
在此框架下,针对不同网站的特点,编写处理逻辑,从而更好地适用于处理中文互联网的主流网页
除了使用BeautifulSoup构建自己的网页加载器,我们还可以使用众多服务商提供的网页抓取服务,将网页内容提取转换为适合LLM处理的格式,比如LlamaIndex提供的FireCrawlWebReader等。
然而,使用这些服务,需要申请相关的API Key,并为此付费。
有一个更好的选择:使用Jina AI提供的免费服务。你只需要向https://r.jina.ai/发送请求,并将要抓取的网页url,放在该网址后面即可,比如:
https://r.jina.ai/https://example.com
于是,基于LlamaIndex框架,我们可以实现一个JinaWebReader,代码如下:
class JinaWebReader(BasePydanticReader):
def __init__(self) -> None:
"""Initialize with parameters."""
def load_data(self, urls: List[str]) -> List[Document]:
if not isinstance(urls, list):
raise ValueError("urls must be a list of strings.")
documents = []
for url in urls:
new_url = "https://r.jina.ai/" + url
response = requests.get(new_url)
text = response.text
# Extract Title
title_match = re.search(r"Title:\s*(.*)", text)
title = title_match.group(1) if title_match else None
# Extract URL Source
url_match = re.search(r"URL Source:\s*(.*)", text)
url_source = url_match.group(1) if url_match else None
# Extract Markdown Content
markdown_match = re.search(r"Markdown Content:\s*(.*)", text, re.DOTALL)
markdown_content = markdown_match.group(1).strip() if markdown_match else None
# Compose metadata
metadata: Dict = {
"title": title,
"url_source": url_source,
"creation_date": datetime.now().date().isoformat(),# Convert datetime to ISO format string
}
documents.append(Document(text=markdown_content, id_=url, metadata=metadata or {}))
return documents
这个方案的优点在于,适用面更广,而且Jina可以将网页内容,处理成markdown格式,保留原有的结构和图片信息。而且,如果url实际上是在线PDF文件,Jina也可以轻松应对。
当然也有缺点:就是使用JinaWebReader,需要远程调用,整体处理速度较慢,使用体验逊于我们自己构建的BeautifulSoupWebReader。
综上,本文针对网页信息抓取和数据提取,给出了两种实现。其完整代码,均可从开源项目ThinkRAG找到,位于server/reader目录下。
https://github.com/wzdavid/ThinkRAG
ThinkRAG是基于LlamaIndex框架,前端使用Streamlit开发的大模型本地知识库RAG系统,可在笔记本电脑上部署和离线运行。
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-11-13
RAGCache:让RAG系统更高效的多级动态缓存新方案
2024-11-13
Glean:企业AI搜索,估值46亿美元,ARR一年翻4倍
2024-11-12
从安装到配置,带你跑通GraphRAG
2024-11-12
蚂蚁 KAG 框架核心功能研读
2024-11-12
【RAG】浅看引入智能信息助理提升大模型处理复杂推理任务的潜力-AssisTRAG
2024-11-12
体验完百度世界2024上的iRAG,我觉得AI绘图也可以没有幻觉了。
2024-11-12
提升RAG文档效率,10种有效策略
2024-11-12
揭秘RAG:全方位解析RAG检索中的意图识别,如何助力智能问答
2024-07-18
2024-07-09
2024-07-09
2024-05-05
2024-05-19
2024-06-20
2024-07-07
2024-07-07
2024-07-08
2024-07-09
2024-11-06
2024-11-06
2024-11-05
2024-11-04
2024-10-27
2024-10-25
2024-10-21
2024-10-21