我们在设置的时候，可以选择切片方法。这个参数是
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。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-feature-settings: normal;font-variation-settings: normal;font-size: 14px;margin: 10px 8px;color: rgb(224, 226, 228);background: rgb(40, 43, 46);text-align: left;line-height: 1.5;overflow-x: auto;border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.05) 0px 0px 10px inset;padding: 0px !important;">
asyncdefbuild_chunks(task, progress_callback):
# 根据配置获取到切片实现（策略）
chunker = FACTORY[task["parser_id"].lower()]
asyncwithchunk_limiter:
cks =awaittrio.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"]))FACTORY中获取到对应的实现文件chunker.chunk调用对应实现文件中的chunk方法fromrag.appimportlaws, 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：
策略工厂FACTORYgeneral/naivepapertable...分片请求parser_id参数naive.pypaper.pytable.py...其他处理器统一chunk方法接口执行具体分片逻辑返回结构化分片数据
在上一篇中我们简单的画了下naive的处理流程，也就是前端选择的general。我把流程复制过来。
DOCXPDFExcelTXT/CodeMarkdownHTML/JSON是否输入文件格式判断DOCX解析器PDF解析器+布局识别表格解析器文本分割器MD表格提取结构化解析原始分片生成是否视觉增强?视觉模型处理图表基础分片处理分片合并Token化处理输出结构化分片
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PDFDOCX文件输入文件类型判断PDF解析器DOCX解析器OCR+布局分析表格识别段落结构解析表格HTML转换分块处理Token化输出
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：
是否是否是否排序文本块遍历相邻块是否跨页且无意义文本?删除当前块是否空文本块?计算合并特征满足禁止合并条件?跳过合并执行垂直合并
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
defrmPrefix(txt):
returnre.sub(
r"^(问题|答案|回答|user|assistant|Q|A|Question|Answer|问|答)[\t:： ]+","", txt.strip(), flags=re.IGNORECASE)
defbeAdocPdf(d, q, a, eng, image, poss):
qprefix ="Question: "ifengelse"问题："
aprefix ="Answer: "ifengelse"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)
returnd
defbeAdocDocx(d, q, a, eng, image, row_num=-1):
qprefix ="Question: "ifengelse"问题："
aprefix ="Answer: "ifengelse"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
ifrow_num >=0:
d["top_int"] = [row_num]
returnd
defbeAdoc(d, q, a, eng, row_num=-1):
qprefix ="Question: "ifengelse"问题："
aprefix ="Answer: "ifengelse"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"])
ifrow_num >=0:
d["top_int"] = [row_num]
returnd
我们可以看到qa就是根据不同的结构解析出来问答对。
audio
defchunk(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]
exceptExceptionase:
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。
picture
图片的解析是使用OCR处理，所以识别到的是图片上的文本内容。使用的是deepdoc之前测试，识别效果很一般。
图片识别有两种，一种是识别图片中的文本内容，一种是通过图片描述这个图片是什么。我们可以通过扩展，ocr+图片描述构建一个图片检索系统。
两种实现方案：
• 直接改这块的源码，添加图片理解反推 • 在外面将图片反推后，构建图片描述，后续我基于这个写个案例
后记
通过代码发现，专用处理有时候也蛮鸡肋的，如果我们在外面将文档都结构化了，很多通过一些分片策略，我们可以忽略一些专用类型。
底层的处理最后都是deepdoc中的几个文件。后续会针对这个再做一些源码分析。
rag玩的是对文档的了解，怎么能拆解出合适的分片，这个是关键。
市面上应该有一些处理文档的专有模型，到时候找下看看。