跳到主要内容
Open In ColabOpen on GitHub

Airbyte CDK (已弃用)

注意:AirbyteCDKLoader 已弃用。请使用 AirbyteLoader 代替。

Airbyte 是一个数据集成平台,用于构建从 API、数据库和文件到数据仓库和数据湖的 ELT 管道。它拥有最大的 ELT 连接器目录,可连接到数据仓库和数据库。

许多源连接器都是使用 Airbyte CDK 实现的。此加载器允许运行任何这些连接器,并将数据作为文档返回。

安装

首先,您需要安装 airbyte-cdk Python 包。

%pip install --upgrade --quiet  airbyte-cdk

然后,从 Airbyte Github 存储库 安装现有连接器,或使用 Airbyte CDK 创建您自己的连接器。

例如,要安装 Github 连接器,请运行

%pip install --upgrade --quiet  "source_github@git+https://github.com/airbytehq/airbyte.git@master#subdirectory=airbyte-integrations/connectors/source-github"

一些源也作为常规软件包发布在 PyPI 上

示例

现在您可以基于导入的源创建 AirbyteCDKLoader。它接受一个传递给连接器的 config 对象。您还需要按名称 (stream_name) 选择要检索记录的流。查看连接器文档页面和规范定义,以获取有关 config 对象和可用流的更多信息。对于 Github 连接器,这些是:

from langchain_community.document_loaders.airbyte import AirbyteCDKLoader
from source_github.source import SourceGithub # plug in your own source here

config = {
# your github configuration
"credentials": {"api_url": "api.github.com", "personal_access_token": "<token>"},
"repository": "<repo>",
"start_date": "<date from which to start retrieving records from in ISO format, e.g. 2020-10-20T00:00:00Z>",
}

issues_loader = AirbyteCDKLoader(
source_class=SourceGithub, config=config, stream_name="issues"
)
API 参考:AirbyteCDKLoader

现在您可以像往常一样加载文档

docs = issues_loader.load()

由于 load 返回一个列表,它将阻塞直到所有文档都加载完毕。为了更好地控制此过程,您还可以使用 lazy_load 方法,该方法返回一个迭代器代替

docs_iterator = issues_loader.lazy_load()

请记住,默认情况下,页面内容为空,并且元数据对象包含记录中的所有信息。要在不同的文档中创建文档,请在创建加载器时传入 record_handler 函数

from langchain_core.documents import Document


def handle_record(record, id):
return Document(
page_content=record.data["title"] + "\n" + (record.data["body"] or ""),
metadata=record.data,
)


issues_loader = AirbyteCDKLoader(
source_class=SourceGithub,
config=config,
stream_name="issues",
record_handler=handle_record,
)

docs = issues_loader.load()
API 参考:Document

增量加载

某些流允许增量加载,这意味着源会跟踪已同步的记录,并且不会再次加载它们。这对于数据量大且频繁更新的源非常有用。

为了利用这一点,请存储加载器的 last_state 属性,并在再次创建加载器时传入它。这将确保仅加载新记录。

last_state = issues_loader.last_state  # store safely

incremental_issue_loader = AirbyteCDKLoader(
source_class=SourceGithub, config=config, stream_name="issues", state=last_state
)

new_docs = incremental_issue_loader.load()

此页面是否对您有帮助?