6. ETL Pipeline-SpringAI实战

ETL Pipeline

ETL是提取、转换、加载的缩写，从原始的文档到数据库需要经历提取（.doc、.ppt、.xlsx等）、转换（数据结构化、清理数据、数据分块）、写入向量数据库。这个过程可以进行多种处理，确保最后的数据适合AI问答。

SpringAI提供了ETL框架。它是搭建知识库框架的基石。

框架介绍

1. DocumentReader：文档读取器，读取文档，比如PDF、Word、Excel等。如：JsonReader（读取JSON）,TextReader（读取文本）,PagePdfDocumentReader（读取PDF）,TikaDocumentReader（读取各种文件，大部分都可以支持.pdf,.xlsx,.docx,.pptx,.md,.json等）。上诉的这些reader都是DocumentReader的实现类。
2. DocumentTransformer：文档转换器，处理文档。TextSplitter（文档切割成小块），ContentFormatTransformer（将文档变成键值对），SummaryMetadataEnricher（使用大模型总结文档），KeywordMetadataEnricher（使用大模型提取文档关键词）。
3. DocumentWriter: 文档写入器，将文档写入向量数据库或者本地文件。VectorStore（向量数据库写入器），FileDocumentWriter（文件写入器）。

读取文件

TikaDocumentReader比较全能大部分文件都可以读取，支持的文件格式可以参考官方文档。如果是比较个性化文档的场景，最好自己实现一个Reader，比如我们公司的有些excel里面存了各种的表格数据这种只能自己去读取处理。使用读取器读出来的数据乱乱的。

引入依赖

        <dependency>
            <groupId>org.springframework.aigroupId>
            <artifactId>spring-ai-tika-document-readerartifactId>
        dependency>

首先要明白DocumentReader会从Resource中读取文件。Resource是SpringIO中的一个接口，它表示一个资源，可以是文件、网络资源、内存资源等。
下面举几个读取文件的例子

1. 从输入流中读取文件。像后端接收前端文件时，就可以使用。

   @SneakyThrows
   @PostMapping("read/multipart-file")
   public void readMultipartFile(@RequestParam MultipartFile file) {
       // 从IO流中读取文件
       Resource resource = new InputStreamResource(file.getInputStream());
       List<Document> documents = new TikaDocumentReader(resource)
               .read();
   }
   

2. 从本地文件读取文件。

   public void readFile() {
       Resource resource = new FileSystemResource("D:\\简历.pdf");
       List<Document> documents = new TikaDocumentReader(resource)
               .read();
   }
   

3. 从网络资源读取文件。

   @SneakyThrows
   public void readUrl() {
       Resource resource = new UrlResource("http://localhost/简历.pdf");
       List<Document> documents = new TikaDocumentReader(resource)
               .read();
   }
   

为了体现资源的统一性我特意用Resource表示InputStreamResource、FileSystemResource、UrlResource。对于文档读取器来说，它不在乎文档来自哪里，只要它是一个Resource，它都可以读取。

转换文档

Document对象是ETL Pipeline的核心对象，它包含了文档的元数据和内容。

内容转换器：

• TokenTextSplitter：可以把内容切割成更小的块方便RAG的时候提升响应速度节省Token。
• ContentFormatTransformer：可以把元数据的内容变成键值对字符串。

元数据转换器：

• SummaryMetadataEnricher：使用大模型总结文档。会在元数据里面增加一个summary字段。
• KeywordMetadataEnricher：使用大模型提取文档关键词。可以在元数据里面增加一个keywords字段。

从前端传来文件，使用TikaDocumentReader读取文件，然后使用TokenTextSplitter将文本内容划分成更小的块。

        // 从IO流中读取文件
        TikaDocumentReader tikaDocumentReader = new TikaDocumentReader(new InputStreamResource(file.getInputStream()));
        // 将文本内容划分成更小的块
        List<Document> splitDocuments = new TokenTextSplitter()
                .apply(tikaDocumentReader.read());

存储文档

经过前面的步骤，我们得到了一个文档列表，然后就可以将其存储到向量数据库或者本地文件中了。

向量数据库的依赖和创建请参考向量数据库。

    // 注入向量数据库。
    private final VectorStore vectorStore;
    @SneakyThrows
    @PostMapping("embedding")
    public Boolean embedding(@RequestParam MultipartFile file) {
        // 从IO流中读取文件
        TikaDocumentReader tikaDocumentReader = new TikaDocumentReader(new InputStreamResource(file.getInputStream()));
        // 将文本内容划分成更小的块
        List<Document> splitDocuments = new TokenTextSplitter()
                .apply(tikaDocumentReader.read());
        // 存入向量数据库，这个过程会自动调用embeddingModel,将文本变成向量再存入。
        vectorStore.add(splitDocuments);
        return true;
    }