28 LlamaIndex中的摄取管道：数据转换与缓存管理

LlamaIndex中的摄取管道：数据转换与缓存管理

在LlamaIndex中，摄取管道（IngestionPipeline）使用了一种称为“转换”（Transformations）的概念来处理输入数据。这些转换应用于你的输入数据，结果节点要么返回，要么插入到向量数据库中（如果提供了的话）。每个节点+转换组合都会被缓存，以便后续运行（如果缓存被持久化）时使用相同的节点+转换组合可以利用缓存结果，节省时间。

要查看摄取管道实际使用的交互式示例，请查看RAG CLI。

使用模式

最简单的使用方法是实例化一个摄取管道，如下所示：

from llama_index.core import Document
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.extractors import TitleExtractor
from llama_index.core.ingestion import IngestionPipeline, IngestionCache

# 创建带有转换的管道
pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=25, chunk_overlap=0),
        TitleExtractor(),
        OpenAIEmbedding(),
    ]
)

# 运行管道
nodes = pipeline.run(documents=[Document.example()])

请注意，在实际场景中，你会从SimpleDirectoryReader或Llama Hub中的其他读取器获取文档。

连接到向量数据库

运行摄取管道时，你还可以选择自动将结果节点插入到远程向量存储中。然后，你可以稍后从该向量存储构建索引。

from llama_index.core import Document
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.extractors import TitleExtractor
from llama_index.core.ingestion import IngestionPipeline
from llama_index.vector_stores.qdrant import QdrantVectorStore

import qdrant_client

client = qdrant_client.QdrantClient(location=":memory:")
vector_store = QdrantVectorStore(client=client, collection_name="test_store")

pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=25, chunk_overlap=0),
        TitleExtractor(),
        OpenAIEmbedding(),
    ],
    vector_store=vector_store,
)

# 直接摄取到向量数据库
pipeline.run(documents=[Document.example()])

# 创建你的索引
from llama_index.core import VectorStoreIndex

index = VectorStoreIndex.from_vector_store(vector_store)

在管道中计算嵌入

请注意，在上面的示例中，嵌入作为管道的一部分进行计算。如果你将管道连接到向量存储，嵌入必须是管道的一个阶段，否则稍后实例化索引时会失败。

如果你不连接到向量存储，可以省略管道中的嵌入，即仅生成节点列表。

缓存

在摄取管道中，每个节点+转换组合都会被哈希并缓存。这节省了使用相同数据进行后续运行的时间。

以下部分描述了一些基本的缓存管理用法。

本地缓存管理

一旦你有了管道，你可能想要存储和加载缓存。

# 保存
pipeline.persist("./pipeline_storage")

# 加载并恢复状态
new_pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=25, chunk_overlap=0),
        TitleExtractor(),
    ],
)
new_pipeline.load("./pipeline_storage")

# 由于缓存，运行速度会非常快
nodes = pipeline.run(documents=[Document.example()])

如果缓存变得太大，你可以清除它：

# 删除所有缓存内容
cache.clear()

远程缓存管理

我们支持多种远程存储后端用于缓存：

• RedisCache
• MongoDBCache
• FirestoreCache

以下是使用RedisCache的示例：

from llama_index.core import Document
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.extractors import TitleExtractor
from llama_index.core.ingestion import IngestionPipeline, IngestionCache
from llama_index.storage.kvstore.redis import RedisKVStore as RedisCache

ingest_cache = IngestionCache(
    cache=RedisCache.from_host_and_port(host="127.0.0.1", port=6379),
    collection="my_test_cache",
)

pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=25, chunk_overlap=0),
        TitleExtractor(),
        OpenAIEmbedding(),
    ],
    cache=ingest_cache,
)

# 直接摄取到向量数据库
nodes = pipeline.run(documents=[Document.example()])

这里不需要持久化步骤，因为所有内容都会在你进行时缓存到指定的远程集合中。

异步支持

摄取管道还支持异步操作：

nodes = await pipeline.arun(documents=documents)

文档管理

将文档存储附加到摄取管道将启用文档管理。

使用document.doc_id或node.ref_doc_id作为基础点，摄取管道将主动查找重复文档。

它的工作原理是：

1. 存储doc_id -> document_hash的映射。
2. 如果连接了向量存储：
   • 如果检测到重复的doc_id且哈希已更改，文档将重新处理并更新插入。
   • 如果检测到重复的doc_id且哈希未更改，节点将被跳过。
3. 如果未连接向量存储：
   • 检查所有现有哈希的每个节点。
   • 如果找到重复项，节点将被跳过。
   • 否则，节点将被处理。

注意：如果我们不附加向量存储，我们只能检查并删除重复的输入。

from llama_index.core.ingestion import IngestionPipeline
from llama_index.core.storage.docstore import SimpleDocumentStore

pipeline = IngestionPipeline(
    transformations=[...], docstore=SimpleDocumentStore()
)

完整的演练可以在我们的演示笔记本这里找到。

还可以查看另一个使用Redis作为整个摄取栈的指南这里。

并行处理

摄取管道的run方法可以并行执行。它通过使用multiprocessing.Pool将节点批次分发到处理器上来实现。

要并行执行，请将num_workers设置为你希望使用的进程数：

from llama_index.core.ingestion import IngestionPipeline

pipeline = IngestionPipeline(
    transformations=[...],
)
pipeline.run(documents=[...], num_workers=4)

通过这些方法，你可以高效地在LlamaIndex中使用摄取管道，根据需要进行自定义和扩展。