大家好，我是 同学小张，持续学习C++进阶知识和AI大模型应用实战案例，持续分享，欢迎大家点赞+关注，共同学习和进步。

上篇文章我们通过一个简单的例子，学习了LlamaIndex的安装和基本使用，使用 LlamaIndex 构建了一个简单的RAG问答系统。今天我们开始系统化学习，首先看一下LlamaIndex的Load部分。Load部分负责文件数据链接。

0. 文件类型加载器：SimpleDirectoryReader

上篇文章代码的一开始，我们就使用了这个Reader：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader# 使用SimpleDirectoryReader从指定路径加载数据documents = SimpleDirectoryReader("D:\GitHub\LEARN_LLM\LlamaIndex\data").load_data()

这是 LlamaIndex 中最容易使用的一个文件夹加载器。它会读取传入的文件夹路径中的所有文件，可以读取各种格式，包括Markdown、PDF、Word、PowerPoint、图像、音频和视频等。

来看下其具体集成的类型：

参考：https://llamahub.ai/l/readers/llama-index-readers-file?from=

from llama_index.core import SimpleDirectoryReaderfrom llama_index.readers.file import (    DocxReader,    HWPReader,    PDFReader,    EpubReader,    FlatReader,    HTMLTagReader,    ImageCaptionReader,    ImageReader,    ImageVisionLLMReader,    IPYNBReader,    MarkdownReader,    MboxReader,    PptxReader,    PandasCSVReader,    VideoAudioReader,    UnstructuredReader,    PyMuPDFReader,    ImageTabularChartReader,    XMLReader,    PagedCSVReader,    CSVReader,    RTFReader,)# PDF Reader with `SimpleDirectoryReader`parser = PDFReader()file_extractor = {".pdf": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Docx Reader exampleparser = DocxReader()file_extractor = {".docx": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# HWP Reader exampleparser = HWPReader()file_extractor = {".hwp": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Epub Reader exampleparser = EpubReader()file_extractor = {".epub": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Flat Reader exampleparser = FlatReader()file_extractor = {".txt": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# HTML Tag Reader exampleparser = HTMLTagReader()file_extractor = {".html": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Image Reader exampleparser = ImageReader()file_extractor = {    ".jpg": parser,    ".jpeg": parser,    ".png": parser,}  # Add other image formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# IPYNB Reader exampleparser = IPYNBReader()file_extractor = {".ipynb": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Markdown Reader exampleparser = MarkdownReader()file_extractor = {".md": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Mbox Reader exampleparser = MboxReader()file_extractor = {".mbox": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Pptx Reader exampleparser = PptxReader()file_extractor = {".pptx": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Pandas CSV Reader exampleparser = PandasCSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# PyMuPDF Reader exampleparser = PyMuPDFReader()file_extractor = {".pdf": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# XML Reader exampleparser = XMLReader()file_extractor = {".xml": parser}documents = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# Paged CSV Reader exampleparser = PagedCSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()# CSV Reader exampleparser = CSVReader()file_extractor = {".csv": parser}  # Add other CSV formats as neededdocuments = SimpleDirectoryReader(    "./data", file_extractor=file_extractor).load_data()

1. LlamaHub 中的加载器

除了上面的读取文件之外，实际生活中还有很多地方可以获取数据，例如GitHub，网页，数据库等。这些数据加载器在 LlamaHub 中实现，可以按需使用。下图是 LlamaHub 中加载器列表：

图片

1.1 使用方式

首先得安装相应的包，例如使用DatabaseReader：

pip install llama-index-readers-google# 或者在使用之前加下面这一行应该也行：# from llama_index.core import download_loader

否则会报错：

图片

然后就可以正常使用了：

from llama_index.core import download_loaderfrom llama_index.readers.database import DatabaseReaderreader = DatabaseReader(    scheme=os.getenv("DB_SCHEME"),    host=os.getenv("DB_HOST"),    port=os.getenv("DB_PORT"),    user=os.getenv("DB_USER"),    password=os.getenv("DB_PASS"),    dbname=os.getenv("DB_NAME"),)query = "SELECT * FROM users"documents = reader.load_data(query=query)

2. 可以直接将文字转换成 LlamaIndex 需要的 Document 结构

from llama_index.core import Documentdoc = Document(text="text")

3. 文档内容转换

加载数据后，下一步是将数据进行处理和转换。这些转换包括分块、提取元数据和对每个块进行向量化，从而确保大模型能够检索数据。

3.1 一步到位的简单方法

其中最简单的转换做法，是上篇文章中我们使用的：from_documents方法。

from llama_index.core import VectorStoreIndexvector_index = VectorStoreIndex.from_documents(documents)vector_index.as_query_engine()

from_documents（）方法，接受一个Document对象数组，并自动解析和拆分它们。

3.2 自定义转换

有时候我们需要自己控制分块等这些转换的逻辑。有以下两种方式：

（1）使用 from_documents 的 transformations 参数，传入一个自定义的分块器。

from llama_index.core.node_parser import SentenceSplittertext_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)# per-indexindex = VectorStoreIndex.from_documents(    documents, transformations=[text_splitter])

（2）使用全局设置，设置默认的分块器。

from llama_index.core.node_parser import SentenceSplittertext_splitter = SentenceSplitter(chunk_size=512, chunk_overlap=10)# globalfrom llama_index.core import SettingsSettings.text_splitter = text_splitter# per-indexindex = VectorStoreIndex.from_documents(documents)

4. 总结

本文我们介绍了 LlamaIndex 中加载器，以及如何使用它们。LlamaIndex提供了内置的文件加载器，同时也支持 LlamHub 中提供的各种其它类型加载器。

文章最后，简单介绍了下 LlamaIndex 中如何将加载到的文档数据转换成索引。

5. 参考

· https://docs.llamaindex.ai/en/stable/understanding/loading/loading/

· https://docs.llamaindex.ai/en/stable/understanding/loading/llamahub/

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~点击上方公众号，关注↑↑↑

· 大家好，我是 同学小张，日常分享AI知识和实战案例

· 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。

公众号内文章一览

图片

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。