LangChain4j如何自定义文档转换器实现数据清洗？

技术分享 10个月前 (05-13) 0 999+

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：

新建类实现 DocumentTransformer 接口。
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。
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：