Airbyte CDK (已弃用)

注意：AirbyteCDKLoader 已弃用。请改用 AirbyteLoader。

Airbyte 是一个数据集成平台，用于实现从 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，可连接到各种数据仓库和数据库。

许多源连接器是使用 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 仓库 安装现有连接器，或者使用 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"

一些源也作为常规包发布在 PyPI 上

示例

现在您可以基于导入的源创建一个 AirbyteCDKLoader。它接受一个传递给连接器的 config 对象。您还必须按名称选择要从中检索记录的流（stream_name）。有关配置对象和可用流的更多信息，请查看连接器文档页面和规范定义。对于 Github 连接器，它们是

• https://github.com/airbytehq/airbyte/blob/master/airbyte-integrations/connectors/source-github/source_github/spec.json.
• https://docs.airbyte.com/integrations/sources/github/

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

现在您可以按常规方式加载文档

docs = issues_loader.load()

由于 `load` 返回一个列表，它将阻塞直到所有文档加载完毕。为了更好地控制此过程，您也可以使用 `lazy_load` 方法，它会返回一个迭代器。

docs_iterator = issues_loader.lazy_load()

请记住，默认情况下页面内容为空，元数据对象包含记录中的所有信息。要以不同方式创建文档，请在创建加载器时传入一个 `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

某些流支持增量加载，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。

为了利用此功能，请存储加载器的 `last_state` 属性，并在再次创建加载器时传入该属性。这将确保只加载新记录。

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()

相关

• 文档加载器 概念指南
• 文档加载器 操作指南