AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


大模型RAG实战|如何优化对网页信息的处理
发布日期:2024-09-07 13:25:31 浏览次数: 1589


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。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


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 requestsfrom 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/" + urlresponse = requests.get(new_url)text = response.text
# Extract Titletitle_match = re.search(r"Title:\s*(.*)", text)title = title_match.group(1) if title_match else None
# Extract URL Sourceurl_match = re.search(r"URL Source:\s*(.*)", text)url_source = url_match.group(1) if url_match else None
# Extract Markdown Contentmarkdown_match = re.search(r"Markdown Content:\s*(.*)", text, re.DOTALL)markdown_content = markdown_match.group(1).strip() if markdown_match else None
# Compose metadatametadata: 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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询