ETL Pipeline

提取、转换和加载（ETL）框架是检索增强生成（RAG）中数据处理的支柱。
ETL 管道编排了从原始数据源到结构化向量存储的流程，确保数据以最佳格式存储，以便 AI 模型检索。
RAG 用例是通过从数据体中检索相关信息来增强生成模型的能力，以提高生成输出的质量和相关性。

API 概述

---

ETL 管道的三个主要组件是

• DocumentReader ：实现Supplier<List>
• DocumentTransformer ：实现Function<List, List>
• Consumer<List> ：实现DocumentWriter
  Document类包含文本和元数据，使用DocumentReader可以基于 PDF、文本文件和其他文档类型创建 Document类。
  要构建一个简单的 ETL 管道，您可以将每种类型的实例链接在一起。
  

假如我们有这三种 ETL 类型的实例对象

• PagePdfDocumentReade: DocumentReader的一个实现
• TokenTextSplitter:DocumentTransformer的一个实现
• VectorStore: DocumentWriter的一个实现
  使用以下代码，可以结合检索增强生成模式，把基本的数据加载到矢量数据库中。

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

---

入门指南

---

要开始创建一个 Spring AI RAG 应用程序，请按照以下步骤进行：

1. 下载最新的 Spring CLI Release，并按照 installation instructions 进行安装。
2. 要创建一个简单的基于 OpenAI 的应用程序，请使用以下命令：

   spring boot new --from ai-rag --name myrag
   

3. 查看生成的README.md文件，了解如何获取 OpenAI API 密钥并运行您的第一个 AI RAG 应用程序。

ETL 接口和实现

ETL 管道由以下接口和实现组成。详细的 ETL 类图在下面的 ETL 类图部分 中显示。

DocumentReader

提供来自不同来源的文档资源。

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

}

JsonReader

JsonReader解析 JSON 格式的文档。
例子：

@Component
public class MyAiApp {

	@Value("classpath:bikes.json") // This is the json document to load
	private Resource resource;

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

TextReader

该TextReader处理纯文本文档。
例子：

@Component
public class MyTextReader {

    @Value("classpath:text-source.txt") // This is the text document to load
	private Resource resource;

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

		return textReader.get();
    }
}

PagePdfDocumentReader

该PagePdfDocumentReader使用 Apache PdfBox 库来解析 PDF 文档
例子：

@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.get();
    }

}

ParagraphPdfDocumentReader

该ParagraphPdfDocumentReader使用 PDF 目录（例如 TOC）信息将输入的 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。
例子：

@Component
public class MyPagePdfDocumentReader {

	List<Document> getDocsFromPdfwithCatalog() {

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

		return pdfReader.get();
    }
}

TikaDocumentReader

TikaDocumentReader使用 Apache Tika 从各种文档格式中提取文本，如 PDF、DOC/DOCX、PPT/PPTX 和 HTML。有关支持的格式的详细列表，请参考 Tika documentation。
例子:

@Component
public class MyTikaDocumentReader {

    @Value("classpath:/word-sample.docx") // This is the word document to load
	private Resource resource;

	List<Document> loadText() {
        TikaDocumentReader tikaDocumentReader = new TikaDocumentReader(resourceUri);
        return tikaDocumentReader.get();
    }
}

DocumentTransformer

作为处理工作流程的一部分，用于转换文档。

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

TextSplitter

TextSplitter是一个抽象基类，帮助将文档分割以适应 AI 模型的上下文窗口。

TokenTextSplitter

在保持标记级完整性的同时拆分文档。

ContentFormatTransformer

确保所有文档中的内容格式统一。

KeywordMetadataEnricher

关键元数据增强文档。

SummaryMetadataEnricher

为增强检索而为文档添加摘要元数据。

DocumentWriter

管理 ETL 过程的最后阶段，将文档进行存储。

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

}

FileDocumentWriter

将文档持久化到文件中。

VectorStore

与各种向量存储进行集成。请参阅 05. 向量数据库 章节以获取完整列表。

ETL 类图

以下类图展示了 ETL 接口和实现。

---