LangChain4j 提供了 3 种 RAG（Retrieval-Augmented Generation，检索增强生成）实现，我们通常在原生或高级的 RAG 实现中，要对数据进行清洗，也就是将外接知识库中的原数据进行噪音去除，留下有价值的信息。

例如在带有 HTML 标签的文本中，HTML 标签就是噪音，他对于搜索结果是没有任何帮助，甚至会影响查询结果的，因此我们就需要将 HTML 标签进行清除。

那问题来了，怎么进行数据清洗呢？

这就要使用到文档转换器了，那么在不使用 LangChain4j 内置文档转换器的前提下（因为业务需求是复杂且多变的，因此很多时候我们需要使用自定义文档转换器才能实现预期的效果），那怎么实现呢？接下来一起来看。

自定义文档转换器

以去除文本中的 HTML 标签为例，LangChain4j 中自定义文档转换器的实现步骤如下：

  1. 新建类实现 DocumentTransformer 接口。
  2. 重写 transform 和 transformAll 方法，前者是对 Document 对象进行文档转换，后者是对 List 进行数据转换。
  3. 在 transform 和 transformAll 方法中，实现数据清除的具体业务落地。

具体实现代码

import dev.langchain4j.data.document.Document;

import dev.langchain4j.data.document.DocumentTransformer;

import java.util.ArrayList;

import java.util.List;

/**

 * 自定义文档转换器

 */

public class HtmlToTextDocumentTransformer implements DocumentTransformer {

    @Override

    public Document transform(Document document) {

        return Document.from(removeHtmlTags(document.text()));

    }

    // 使用正则表达式清除内容中的 HTML 标签

    public static String removeHtmlTags(String html) {

        if (html == null || html.isEmpty()) {

            return "";

        }

        // 定义正则表达式，匹配所有HTML标签

        String regex = "<[^>]+>";

        // 替换所有匹配的标签为空字符串

        return html.replaceAll(regex, "").trim();

    }

    @Override

    public List<Document> transformAll(List<Document> documents) {

        List<Document> list = new ArrayList<Document>();

        documents.stream().forEach(document -> {

            list.add(this.transform(document));

        });

        return list;

    }

}

调用文档转换器

Document htmlDoc = Document.from(

        "<html><body><p>Clean <b>me</b>!</p></body></html>"

);

// 文档转换器

DocumentTransformer transformer = new HtmlToTextDocumentTransformer();

Document cleanedDoc = transformer.transform(htmlDoc);

System.out.println(cleanedDoc.text());

最终的执行结果为：

Clean me!

小结

文档转换器只是实现生产级别 RAG 的实现步骤之一，生产级别的 RAG 实现的步骤通常包含：文档加载器、文档解析器、文档转换器、文档分词器、文档向量化、向量持久化、向量检索等过程，而且每个过程可能都要反复调优，才能实现生产级别的准确性要求，所以道阻且长，吾辈尚需努力啊！

本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、Dify、Agent、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。

LangChain4j如何自定义文档转换器实现数据清洗？的更多相关文章

  1. [.NET] 打造一个很简单的文档转换器 - 使用组件 Spire.Office

    打造一个很简单的文档转换器 - 使用组件 Spire.Office [博主]反骨仔 [原文]http://www.cnblogs.com/liqingwen/p/6024827.html 序 之前,& ...

  2. eclipse中设置自定义文档签名（工具）

    今天第一次认真学习eclipse的使用,看到自定义文档签名,步骤如下:  1.点击window->preferences->java->Code Style->Code Tem ...

  3. Eclipse中设置自定义文档签名

    今天第一次认真学习eclipse的使用,看到自定义文档签名,步骤如下: 1.点击window->preferences->java->Code Style->Code Temp ...

  4. 【Android Developers Training】 54. 打印自定义文档

    注:本文翻译自Google官方的Android Developers Training文档,译者技术一般,由于喜爱安卓而产生了翻译的念头,纯属个人兴趣爱好. 原文链接:http://developer ...

  5. Aspose.Words 自定义文档模版生成操作类

    /// <summary> /// 操作word通用类 LIYOUMING add 2017-12-27 /// </summary> public class DocHelp ...

  6. Latex自定义文档纸张大小

    \usepackage{geometry} \special{papersize=8.5in,11in}%纸张大小为8.5inch×11inch

  7. eclipse 自定义 文档

    在这里写....

  8. idea自定义文档注释模板

    1.类注释模板 IntelliJ IDE --> Preferences --> Editor --> File and Code Templates --> Includes ...

  9. VBA读取、增加自定义和修改文档属性

    读取系统文档属性 Sub read()On Error Resume Nextrw = 1Worksheets(1).ActivateFor Each p In ActiveWorkbook.Buil ...

  10. ABBYY FineReader 14如何查看PDF文档

    使用 ABBYY FineReader,您可以轻松查看和编辑任何类型的 PDF文档,就像是一款功能强大的PDF编辑转换器,不仅如此,它还能够允许您复制其中的文本.图片和表格.本文我们来看看如何从&qu ...

随机推荐

  1. 互联网和DeepSeak时代，获取信息这么容易，为什么我们还是学习不好？

    因为人性倾向于立即获得享受,而不是延迟获得享受,然而,学习就是延迟获得享受,所以,学习,其实是反人性的一种活动. 学习,特别是对知识的深入学习,其实需要付出大量的时间和精力,这个过程中必然伴随着各种各 ...

  2. 机器学习 | 强化学习（6） | 策略梯度方法（Policy Gradient Method）

    6-策略梯度方法(Policy Gradient Method) 策略梯度概论(Introduction) 基于策略(Policy-Based) 的强化学习 对于上一节课(价值函数拟合)中采用参数\( ...

  3. 【ABAQUS模态动力学】Composite&abaqus 预应力模态分析&输出单元刚度矩阵

    参考 连接器振动脱落_abaqus重启动分析_显式隐式切换_插拔力预应力模态_TeeSim天深科技 Abaqus预应力模态分析 附Abaqus 分析用户手册材料卷下载- 技术邻 Natural fre ...

  4. Anoii之UDP与多路复用

    代码连接:https://github.com/Afeather2017/anoii/blob/master/src/udp_peer.cc 以往写了TCP的多路复用,发现它还挺难写对的.现在写UDP ...

  5. Navicat 数据库如何再次打开恢复上次的页面

    选项->选项卡->从上次离开的画面继续 2.其他软件有这个需求也可以在设置里找一找!

  6. 使用react-native-drawer，跟着官网配置仍报错，Error: [Reanimated] `valueUnpacker` is not a worklet, js engine: hermes

    在使用react-native-drawer组件时,编译项目报错 试了许多的方法,最后通过在一篇博客中找到解决方法https://blog.csdn.net/lxyoucan/article/deta ...

  7. 关于SIFT,GIFT在旋转不变性上的对比实验

    目录 关于SIFT,GIFT在旋转不变性上的对比实验 回顾 准确率测试 总结 核心代码 关于SIFT,GIFT在旋转不变性上的对比实验 这篇文章不讨论SIFT,GIFT的实现原理,只从最终匹配结果的准 ...

  8. Fetch 别名查找

       if (PlanClass.Attributes.Contains("new_excelcolor_avg"))                                ...

  9. WPF MessageBox

    参考文档 MessageBox MessageBoxButton MessageBoxImage MessageBoxOptions MessageBoxResult

  10. 创建windows脚本bat/cmd或jar为windows服务完整教程

    ​ 一.将windows bat/cmd脚本创建为windows服务 1.下载winsw工具 https://gitee.com/colinisg/winsw/releases/download/v2 ...