跳到主要内容
Open In ColabOpen on GitHub

戴尔 PowerScale 文档加载器

Dell PowerScale 是一款企业级横向扩展存储系统，承载着行业领先的 OneFS 文件系统，可部署在本地或云端。

该文档加载器利用 PowerScale 的独特功能，能够识别自应用程序上次运行以来已修改的文件，并且只返回已修改的文件进行处理。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。

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

概述​

集成详情​

类别包本地可序列化JS 支持
PowerScaleDocumentLoaderpowerscale-rag-connector✅❌❌
PowerScaleUnstructuredLoaderpowerscale-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了 MetadataIQ 的 Dell PowerScale 系统。更多信息请参见我们的 GitHub 页面：https://github.com/dell/powerscale-rag-connector

安装​

文档加载器位于一个外部 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以下列方式逐步加载 PowerScale 中的所有文件

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​

可选地，PowerScaleUnstructuredLoader 可用于定位更改的文件**并**自动处理文件以生成源文件的元素。这通过使用 LangChain 的 UnstructuredLoader 类完成。

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 是您的 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 异步执行，并且 load 和 lazy load 方法将返回一个 Python 生成器。我们建议使用 lazy load 函数。

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​

两种文档加载器都将跟踪以前返回给您的应用程序的文件。再次调用时，文档加载器将只返回自上次运行以来的新文件或已修改的文件。

  • 返回的 Document 中的 metadata 字段将返回 PowerScale 上包含已修改文件的路径。您将使用此路径通过 NFS（或 S3）读取数据并在您的应用程序中处理数据（例如：创建分块和嵌入）。
  • 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了什么更改 — 例如：新增、修改或删除。

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

当使用 PowerScaleUnstructuredLoader 时，page_content 字段将填充来自非结构化加载器的数据

延迟加载​

在内部，所有代码都与 PowerScale 和 MetadataIQ 异步执行，并且 load 和 lazy load 方法将返回一个 Python 生成器。我们建议使用 lazy load 函数。

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

返回的 Document 与 load 函数相同，并具有上述所有相同的属性。

附加示例​

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

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/