Dell PowerScale 文档加载器

Dell PowerScale 是一种企业级横向扩展存储系统，托管行业领先的 OneFS 文件系统，该系统可以本地托管或云端部署。

此文档加载器利用 PowerScale 的独特功能，可以确定自应用程序上次运行以来哪些文件已被修改，并且仅返回修改后的文件进行处理。这将消除重新处理（分块和嵌入）未更改文件的需要，从而改进整体数据摄取工作流程。

此加载器需要启用 PowerScale 的 MetadataIQ 功能。更多信息请访问我们的 GitHub 仓库：https://github.com/dell/powerscale-rag-connector

概述

集成详细信息

类	包	本地	可序列化	JS 支持
PowerScaleDocumentLoader	powerscale-rag-connector	✅	❌	❌
PowerScaleUnstructuredLoader	powerscale-rag-connector	✅	❌	❌

加载器功能

来源	文档延迟加载	原生异步支持
PowerScaleDocumentLoader	✅	✅
PowerScaleUnstructuredLoader	✅	✅

设置

此文档加载器需要使用启用 MetadataIQ 的 Dell PowerScale 系统。更多信息请访问我们的 github 页面：https://github.com/dell/powerscale-rag-connector

安装

文档加载器位于外部 pip 包中，可以使用标准工具进行安装

%pip install --upgrade --quiet  powerscale-rag-connector

初始化

现在我们可以实例化文档加载器

通用文档加载器

我们的通用文档加载器可以用于以下方式从 PowerScale 增量加载所有文件

from powerscale_rag_connector import PowerScaleDocumentLoader

loader = PowerScaleDocumentLoader(
    es_host_url="http://elasticsearch:9200",
    es_index_name="metadataiq",
    es_api_key="your-api-key",
    folder_path="/ifs/data",
)

UnstructuredLoader 加载器

或者，可以使用 PowerScaleUnstructuredLoader 来定位更改的文件并自动处理文件，生成源文件的元素。这是通过使用 LangChain 的 UnstructuredLoader 类完成的。

from powerscale_rag_connector import PowerScaleUnstructuredLoader

# Or load files with the Unstructured Loader
loader = PowerScaleUnstructuredLoader(
    es_host_url="http://elasticsearch:9200",
    es_index_name="metadataiq",
    es_api_key="your-api-key",
    folder_path="/ifs/data",
    # 'elements' mode splits the document into more granular chunks
    # Use 'single' mode if you want the entire document as a single chunk
    mode="elements",
)

字段

• es_host_url 是 MetadataIQ Elasticsearch 数据库的端点
• es_index_index 是 PowerScale 写入其文件系统元数据的索引名称
• es_api_key 是 Elasticsearch API 密钥的**编码**版本
• folder_path 是 PowerScale 上要查询更改的路径

加载

在内部，所有代码都与 PowerScale 和 MetadataIQ 异步，并且加载和惰性加载方法将返回一个 python 生成器。我们建议使用惰性加载功能。

for doc in loader.load():
    print(doc)

[Document(page_content='' metadata={'source': '/ifs/pdfs/1994-Graph.Theoretic.Obstacles.to.Perfect.Hashing.TR0257.pdf', 'snapshot': 20834, 'change_types': ['ENTRY_ADDED']}),
Document(page_content='' metadata={'source': '/ifs/pdfs/New.sendfile-FreeBSD.20.Feb.2015.pdf', 'snapshot': 20920, 'change_types': ['ENTRY_MODIFIED']}),
Document(page_content='' metadata={'source': '/ifs/pdfs/FAST-Fast.Architecture.Sensitive.Tree.Search.on.Modern.CPUs.and.GPUs-Slides.pdf', 'snapshot': 20924, 'change_types': ['ENTRY_ADDED']})]

返回对象

两个文档加载器都将跟踪先前返回给应用程序的文件。再次调用时，文档加载器将仅返回自上次运行以来新的或修改的文件。

• 返回的 Document 中的 metadata 字段将返回 PowerScale 上包含修改文件的路径。您将使用此路径通过 NFS（或 S3）读取数据并在应用程序中处理数据（例如：创建块和嵌入）。
• source 字段是 PowerScale 上的路径，不一定在您的本地系统上（取决于您的挂载策略）；OneFS 将整个存储系统表示为以 /ifs 为根的单个树。
• change_types 属性将告知您自上次更改以来发生的更改 - 例如：新建、修改或删除。

您的 RAG 应用程序可以使用来自 change_types 的信息来添加、更新或删除您的块和向量存储中的条目。

当使用 PowerScaleUnstructuredLoader 时，page_content 字段将填充来自 Unstructured Loader 的数据

惰性加载

在内部，所有代码都与 PowerScale 和 MetadataIQ 异步，并且加载和惰性加载方法将返回一个 python 生成器。我们建议使用惰性加载功能。

for doc in loader.lazy_load():
    print(doc)  # do something specific with the document

返回的 Document 与加载功能相同，具有上述所有相同属性。

其他示例

更多示例和代码可以在我们的公共 github 网页上找到：https://github.com/dell/powerscale-rag-connector/tree/main/examples，其中提供了完整的示例。

• PowerScale LangChain 文档加载器 - 我们的标准文档加载器的工作示例
• PowerScale LangChain Unstructured Loader - 我们的标准文档加载器的工作示例，使用 unstructured loader 进行分块和嵌入
• PowerScale NVIDIA Retriever Microservice Loader - 我们的文档加载器与 NVIDIA NeMo Retriever 微服务一起用于分块和嵌入的工作示例

API 参考

有关所有 PowerScale 文档加载器功能和配置的详细文档，请访问 github 页面：https://github.com/dell/powerscale-rag-connector/

相关

• 文档加载器 概念指南
• 文档加载器 操作指南