🔥🔥🔥一文搞懂Langchain Document Loader（一）

前言

像 GPT-3 这样的语言模型已经在大量数据上进行了训练，包括数百 GB 和数十亿个单词。因此，它们具有扎实的知识基础，使它们在历史和科学等领域表现出色。然而，这些模型确实有局限性。一旦它们在训练中达到了某个程度，除非可以访问互联网，否则它们无法吸收任何新信息。此外，它们无法访问私人和企业文件中的大量数据。

要解决这个问题，理解"索引"的概念至关重要。这些索引有助于将文档结构化，以便于 LLMs 的使用。LangChain 提供了四种创建索引的工具：

文档加载器（Document Loaders）
文本拆分器（Text Splitters）
向量存储（Vector Stores）
检索器（Retrievers）。

本指南旨在深入解释 LangChain 文档加载器（ Document Loaders），使您能够充分利用它们在您的 LLM 应用程序中。）。顾名思义，文档加载器负责从不同的来源加载文档。它们是多功能的工具，可以处理各种数据格式，并将它们转换成语言模型可以轻松处理的标准结构。

了解 LangChain 文档加载器

首先要了解的概念是 Langchain 称之为文档（Document）的东西。文档非常简单，它有两个字段：

page_content（字符串）：文档的原始文本
metadata（字典）：关于文本的任何元数据的键/值存储（源 URL、作者等）

我们来看一个最基本的文档加载器（TextLoader），它打开一个文本文件并将文本加载到文档中。

python 复制代码

class TextLoader(BaseLoader):
    """Load text files."""

    def __init__(
        self,
        file_path: str,
        encoding: Optional[str] = None,
        autodetect_encoding: bool = False,
    ):
        """Initialize with file path."""
        self.file_path = file_path
        self.encoding = encoding
        self.autodetect_encoding = autodetect_encoding

    def load(self) -> List[Document]:
        """Load from file path."""
        text = ""
        try:
            with open(self.file_path, encoding=self.encoding) as f:
                text = f.read()
        except UnicodeDecodeError as e:
            # code to handle Decoding errors
        except Exception as e:
            raise RuntimeError(f"Error loading {self.file_path}") from e

        metadata = {"source": self.file_path}
        return [Document(page_content=text, metadata=metadata)]

TextLoader 将文档的 page_content 设置为文件的文本，metadata 存储"source"文件路径。

随着数据来源变得更加复杂，你会发现需要更多的逻辑来创建这些文档。归根结底，我们的核心目标是将数据转换为这种标准格式，以便在我们的索引系统中进一步处理。

LangChain 中有三种主要类型的文档加载器：Transform（转换）、Public Datasets/Services（公共数据集/服务）、Proprietary Datasets/Services（专有数据集/服务）。