深度拆解RAGFlow分片引擎之切片实现

上一篇深度拆解RAGFlow分片引擎！3大阶段+视觉增强，全网最硬核架构解析 讲了切片的整体流程，今天我们来拆下切片的实现。

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：

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

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

• • 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。

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。

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。