自助建站免费平台网站的首屏 一屏 二屏是什么意思

自助建站免费平台,网站的首屏 一屏 二屏是什么意思,建设信用卡官方网站,网站排名alexa一、企业文档管理的痛点 企业内部文档散落在各处#xff1a;技术文档是PDF,产品手册是Word,会议记录是Markdown,知识沉淀在网页中。每次查找资料都要打开多个系统,搜索效率低下。能否统一处理这些文档,构建一个智能知识库?本文将实现多格式文档的加载、清洗和分块,为企业知识…一、企业文档管理的痛点企业内部文档散落在各处技术文档是PDF,产品手册是Word,会议记录是Markdown,知识沉淀在网页中。每次查找资料都要打开多个系统,搜索效率低下。能否统一处理这些文档,构建一个智能知识库?本文将实现多格式文档的加载、清洗和分块,为企业知识库打下坚实基础。二、概念速览概念说明作用文档加载器读取不同格式文档并转换为统一结构支持PDF、Word、Markdown等多种格式文本清洗去除无用字符、统一格式提升后续检索和生成的质量文本分块将长文档切分为小片段适配向量化和检索的长度限制语义分块基于内容语义而非固定长度分块保持文本片段的完整性和可读性流程:原始文档 → 加载器 → 文本清洗 → 语义分块 → 结构化文档对象三、实战受限于篇幅仅展示流程思路完整代码见文末 GitHub 地址。步骤1:依赖和环境准备import os from typing import List from langchain.schema import Document from langchain_community.document_loaders import ( PyPDFLoader, UnstructuredMarkdownLoader, WebBaseLoader ) from langchain.text_splitter import RecursiveCharacterTextSplitter import re # 设置文档目录 DOCS_DIR ./enterprise_docs OUTPUT_DIR ./processed_docs os.makedirs(OUTPUT_DIR, exist_okTrue)步骤2:实现多格式文档加载器class MultiFormatDocumentLoader: 多格式文档统一加载器 def __init__(self, docs_dir: str): self.docs_dir docs_dir self.supported_formats { .pdf: self._load_pdf, .md: self._load_markdown, .html: self._load_web } def _load_pdf(self, file_path: str) - List[Document]: 加载PDF文档 loader PyPDFLoader(file_path) documents loader.load() # 添加元数据 for doc in documents: doc.metadata[source_type] pdf doc.metadata[file_path] file_path return documents def _load_markdown(self, file_path: str) - List[Document]: 加载Markdown文档 #... def _load_web(self, url: str) - List[Document]: 加载网页内容 #... def load_all(self) - List[Document]: 加载目录下所有支持格式的文档 all_documents [] for filename in os.listdir(self.docs_dir): file_path os.path.join(self.docs_dir, filename) file_ext os.path.splitext(filename)[1].lower() if file_ext in self.supported_formats: try: loader_func self.supported_formats[file_ext] documents loader_func(file_path) all_documents.extend(documents) print(f✅ 已加载: {filename} ({len(documents)}个文档片段)) except Exception as e: print(f❌ 加载失败 {filename}: {str(e)}) return all_documents def load_from_urls(self, urls: List[str]) - List[Document]: 从URL列表加载网页 documents [] for url in urls: try: docs self._load_web(url) documents.extend(docs) print(f✅ 已加载网页: {url}) except Exception as e: print(f❌ 加载网页失败 {url}: {str(e)}) return documents步骤3:文本清洗class TextCleaner: 文本清洗工具类 staticmethod def remove_extra_whitespace(text: str) - str: 去除多余空白字符 #... return text.strip() staticmethod def remove_special_chars(text: str) - str: 去除特殊字符(保留中文、英文、数字和常用标点) # 保留中文、英文、数字、常用标点和换行 pattern r[^\u4e00-\u9fa5a-zA-Z0-9\s.,!?;:()[\]{}《》、。,!?;:()【】] text re.sub(pattern, , text) return text staticmethod def normalize_chinese_punctuation(text: str) - str: 统一中文标点符号 replacements { ,: 、, #.... } for eng, chn in replacements.items(): text text.replace(eng, chn) return text classmethod def clean(cls, text: str, normalize_punctuation: bool True) - str: 执行完整清洗流程 text cls.remove_extra_whitespace(text) text cls.remove_special_chars(text) if normalize_punctuation: text cls.normalize_chinese_punctuation(text) return text def clean_documents(documents: List[Document]) - List[Document]: 批量清洗文档 cleaned_docs [] for doc in documents: cleaned_content TextCleaner.clean(doc.page_content) # 只保留清洗后仍有内容的文档 if len(cleaned_content.strip()) 50: # 至少50个字符 cleaned_doc Document( page_contentcleaned_content, metadatadoc.metadata ) cleaned_docs.append(cleaned_doc) print(f✅ 清洗完成: {len(documents)}篇 → {len(cleaned_docs)}篇有效文档) return cleaned_docs步骤4:语义文本分块class SemanticTextSplitter: 语义文本分块器 def __init__( self, chunk_size: int 1000, chunk_overlap: int 200 ): 初始化分块器 Args: chunk_size: 每个文本块的目标大小(字符数) chunk_overlap: 相邻块之间的重叠部分 self.splitter RecursiveCharacterTextSplitter( chunk_sizechunk_size, chunk_overlapchunk_overlap, length_functionlen, separators[ #... # 字符 ] ) def split_documents(self, documents: List[Document]) - List[Document]: 分块文档列表 chunks self.splitter.split_documents(documents) # 为每个chunk添加块索引 for i, chunk in enumerate(chunks): chunk.metadata[chunk_id] i chunk.metadata[chunk_size] len(chunk.page_content) print(f✅ 分块完成: {len(documents)}篇文档 → {len(chunks)}个文本块) return chunks def get_statistics(self, chunks: List[Document]) - dict: 获取分块统计信息 sizes [len(chunk.page_content) for chunk in chunks] return { total_chunks: len(chunks), avg_size: sum(sizes) / len(sizes) if sizes else 0, min_size: min(sizes) if sizes else 0, max_size: max(sizes) if sizes else 0 }步骤5:完整处理流程def process_enterprise_documents( docs_dir: str, web_urls: List[str] None, chunk_size: int 1000, chunk_overlap: int 200 ) - List[Document]: 企业文档处理完整流程 Args: docs_dir: 文档目录 web_urls: 网页URL列表 chunk_size: 分块大小 chunk_overlap: 分块重叠 Returns: 处理后的文档块列表 print( * 60) print(企业知识库文档处理流程) print( * 60) # 1. 加载文档 print([步骤1] 加载文档...) loader MultiFormatDocumentLoader(docs_dir) documents loader.load_all() if web_urls: web_docs loader.load_from_urls(web_urls) documents.extend(web_docs) print(f共加载 {len(documents)} 个文档片段) # 2. 清洗文档 print([步骤2] 清洗文档...) cleaned_docs clean_documents(documents) # 3. 分块文档 print([步骤3] 分块文档...) splitter SemanticTextSplitter( chunk_sizechunk_size, chunk_overlapchunk_overlap ) chunks splitter.split_documents(cleaned_docs) # 4. 统计信息 stats splitter.get_statistics(chunks) print(f[统计信息]) print(f - 总文本块数: {stats[total_chunks]}) #.... return chunks # 使用示例 if __name__ __main__: # 定义要处理的网页 web_urls [ https://docs.example.com/product-guide, https://docs.example.com/api-reference ] # 执行处理 chunks process_enterprise_documents( docs_dir./enterprise_docs, web_urlsweb_urls, chunk_size1000, chunk_overlap200 ) # 查看示例 print(f[示例文本块]) print(f来源: {chunks[0].metadata[source_type]}) print(f内容预览: {chunks[0].page_content[:200]}...)四、总结文档处理要点:统一加载:用文档加载器抽象不同格式,统一转换为Document对象,简化后续处理适度清洗:去除明显无用字符,但保留必要的格式信息(如换行、标点),避免过度清洗语义分块:使用RecursiveCharacterTextSplitter按段落、句子优先分割,保持文本块的可读性和完整性通过本文的实现,你可以将企业内部的PDF、Markdown、网页等多格式文档统一处理,为构建企业知识库打下坚实基础。下一篇文章将介绍如何将这些文档块向量化并实现高效检索。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】