深度解析：切片实现与策略模式的应用

今天我们来拆下切片的实现。

我们在设置的时候，可以选择切片方法。这个参数是parser_id

在创建知识库的时候，选择对应的切片方法以后，我们可以看到右侧的切片介绍。

async def build_chunks(task, progress_callback):  # 根据配置获取到切片实现（策略）chunker = FACTORY[task["parser_id"].lower()]
async with chunk_limiter:  cks = await trio.to_thread.run_sync(lambda: chunker.chunk(task["name"], binary=binary, from_page=task["from_page"],  to_page=task["to_page"], lang=task["language"], callback=progress_callback,  kb_id=task["kb_id"], parser_config=task["parser_config"], tenant_id=task["tenant_id"]))

• 在上面的代码里根据配置parser_id从FACTORY中获取到对应的实现文件
• 注意chunker.chunk 调用对应实现文件中的chunk方法

from rag.app import laws, paper, presentation, manual, qa, table, book, resume, picture, naive, one, audio, email, tag
# 策略注册（隐式接口）
FACTORY = {  "general": naive,   # 基础文本处理器ParserType.NAIVE.value: naive,  ParserType.PAPER.value: paper,  # 学术论文处理器ParserType.BOOK.value: book,  ParserType.PRESENTATION.value: presentation,  ParserType.MANUAL.value: manual,  ParserType.LAWS.value: laws,  ParserType.QA.value: qa,  ParserType.TABLE.value: table,  # 表格专用处理器ParserType.RESUME.value: resume,  ParserType.PICTURE.value: picture,  ParserType.ONE.value: one,  ParserType.AUDIO.value: audio,  ParserType.EMAIL.value: email,  ParserType.KG.value: naive,  ParserType.TAG.value: tag  
}

• FACTORY 对应的实现，就是一个配置映射，根据前端的配置，然后映射到对应的方法
• 我们可以看到对应的是从rag.app导入的

看下代码结构，都是对应的类文件。引入的类文件每个都有一个相同的chunk方法

这块代码就是一个典型的策略模式实现。

这里要吐槽下python的隐式接口，不是自己写的代码，一不小心得来回翻几遍代码。等我过两天给它接口显式实现。

整块代码逻辑如下：

通用方法里，针对不同的文件类型，有对应的实现。

接下来，我们拆解几个定向的分片实现。

Manual

前端显示仅支持pdf,后端代码支持pdf和docx。这块代码的整体处理逻辑如下

在manual中，并没有抽取图片，只抽取了表格，而且类似的代码写了两遍。

我又对比了manual和naive下pdf的处理代码。

• manual 中注重的是文档结构化，其他的并没有增强
• 反而在naive模式下，通过视觉模型对图片进行了增强
• 所以manual只适合没有图片的，有表格的pdf

laws

• 法律文本的处理，在pdf上处理上，唯一特殊的地方只有一个垂直合并

合并逻辑如下：

book

我们看了几个，特殊场景的处理，其实最后都是通过pdf的差异化处理实现的。

resume 简历

• 首先通过内部服务，会进行简历的处理，通过上下文，可以看到是对简历进行了结构化处理。

这个需要注意下，如果你源码部署，一定要注意这个，否则就趟坑了。

然后通过结构化的关键词，构建一个分片的数据结构。

qa

  
def rmPrefix(txt):  return re.sub(  r"^(问题|答案|回答|user|assistant|Q|A|Question|Answer|问|答)[\t:： ]+", "", txt.strip(), flags=re.IGNORECASE)  def beAdocPdf(d, q, a, eng, image, poss):  qprefix = "Question: " if eng else "问题："  aprefix = "Answer: " if eng else "回答："  d["content_with_weight"] = "\t".join(  [qprefix + rmPrefix(q), aprefix + rmPrefix(a)])  d["content_ltks"] = rag_tokenizer.tokenize(q)  d["content_sm_ltks"] = rag_tokenizer.fine_grained_tokenize(d["content_ltks"])  d["image"] = image  add_positions(d, poss)  return d  def beAdocDocx(d, q, a, eng, image, row_num=-1):  qprefix = "Question: " if eng else "问题："  aprefix = "Answer: " if eng else "回答："  d["content_with_weight"] = "\t".join(  [qprefix + rmPrefix(q), aprefix + rmPrefix(a)])  d["content_ltks"] = rag_tokenizer.tokenize(q)  d["content_sm_ltks"] = rag_tokenizer.fine_grained_tokenize(d["content_ltks"])  d["image"] = image  if row_num >= 0:  d["top_int"] = [row_num]  return d  def beAdoc(d, q, a, eng, row_num=-1):  qprefix = "Question: " if eng else "问题："  aprefix = "Answer: " if eng else "回答："  d["content_with_weight"] = "\t".join(  [qprefix + rmPrefix(q), aprefix + rmPrefix(a)])  d["content_ltks"] = rag_tokenizer.tokenize(q)  d["content_sm_ltks"] = rag_tokenizer.fine_grained_tokenize(d["content_ltks"])  if row_num >= 0:  d["top_int"] = [row_num]  return d

我们可以看到qa就是根据不同的结构解析出来问答对。

audio

def chunk(filename, binary, tenant_id, lang, callback=None, **kwargs):  doc = {  "docnm_kwd": filename,  "title_tks": rag_tokenizer.tokenize(re.sub(r"\.[a-zA-Z]+$", "", filename))  }  doc["title_sm_tks"] = rag_tokenizer.fine_grained_tokenize(doc["title_tks"])  # is it English  eng = lang.lower() == "english"  # is_english(sections)  try:  callback(0.1, "USE Sequence2Txt LLM to transcription the audio")  seq2txt_mdl = LLMBundle(tenant_id, LLMType.SPEECH2TEXT, lang=lang)  ans = seq2txt_mdl.transcription(binary)  callback(0.8, "Sequence2Txt LLM respond: %s ..." % ans[:32])  tokenize(doc, ans, eng)  return [doc]  except Exception as e:  callback(prog=-1, msg=str(e))  return []

这块的代码更简单，直接通过语音模型转成了文本，然后再进行处理。