51 lines
2.2 KiB
Python
51 lines
2.2 KiB
Python
# Ce fichier vise à préparer les documents dans le RAG.
|
||
# Une fois lancé, une base de données vectorielle locale sera générée
|
||
|
||
from pathlib import Path
|
||
from langchain_community.document_loaders import DirectoryLoader, TextLoader # Charge les docs
|
||
from langchain_text_splitters import RecursiveCharacterTextSplitter # Divise le texte en chunks
|
||
from langchain_huggingface import HuggingFaceEmbeddings # Tokénize le texte
|
||
from langchain_chroma import Chroma # BDD, serait PG vector en prod'
|
||
|
||
print("=== GENERATION DE LA BDD LOCALE ===")
|
||
|
||
base_dir = Path(__file__).resolve().parent.parent # Dossier parent, où sont les données
|
||
|
||
# Chargement de tous les documents txt du dossier docs/
|
||
try:
|
||
loader = DirectoryLoader(
|
||
path= base_dir.as_posix() + "/documents_projet/",
|
||
glob="**/*.txt",
|
||
loader_cls=TextLoader,
|
||
show_progress=True)
|
||
docs = loader.load()
|
||
|
||
except FileNotFoundError:
|
||
print("ERREUR: Le dossier \"documents_projet\" n'est pas présent ! Il faut l'ajouter à la racine du projet avant de lancer ce script.")
|
||
import sys
|
||
sys.exit(1) # J'arrête ici
|
||
|
||
|
||
print(f"Documents chargés: {len(docs)}")
|
||
|
||
# Maintenant que j'ai chargé les documents, je vais les découper en chunks
|
||
# (taille d'un chunk = 500 caractères, chevauchement = 100 caractères)
|
||
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000/2, chunk_overlap=200/2)
|
||
chunks = text_splitter.split_documents(docs) # Découpage des documents
|
||
|
||
print(f"Ces documents ont été divisés en {len(chunks)} chunks de texte.")
|
||
print("Exemple de chunk : ")
|
||
print("===")
|
||
print(chunks[-1])
|
||
print("===")
|
||
|
||
|
||
# Création du modèle d'embeddings
|
||
# https://docs.langchain.com/oss/python/integrations/text_embedding/huggingfacehub
|
||
# https://huggingface.co/jinaai/jina-clip-v2
|
||
embeddings = HuggingFaceEmbeddings(model_name="jinaai/jina-embeddings-v3", model_kwargs={"trust_remote_code": True})
|
||
|
||
# Stockage des embeddings dans ChromaDB dans un dossier local "chroma_db"
|
||
vectorstore = Chroma.from_documents(documents=chunks,embedding=embeddings, persist_directory=base_dir.as_posix()+"/chroma_db/",) # https://docs.langchain.com/oss/python/integrations/vectorstores/chroma
|
||
|
||
print(f"Documents chargés et base de données créée à {base_dir.as_posix()+"/chroma_db/"} !") |