096222c64f
- 뉴스 크롤링 후 필요 내용 가공 - 유사 단어 추출 - 각종 문서안 필요 내용 가공
169 lines
4.4 KiB
Python
169 lines
4.4 KiB
Python
import gradio as gr
|
|
from langchain_community.document_loaders import PyPDFLoader, CSVLoader, TextLoader, UnstructuredWordDocumentLoader, \
|
|
Docx2txtLoader, UnstructuredExcelLoader
|
|
from dotenv import load_dotenv
|
|
from langchain_core.output_parsers import StrOutputParser
|
|
from langchain_ibm import WatsonxEmbeddings
|
|
from langchain_ollama import OllamaEmbeddings
|
|
from pathlib import Path
|
|
from langchain_text_splitters import RecursiveCharacterTextSplitter
|
|
from langchain_chroma import Chroma
|
|
import os
|
|
import shutil
|
|
|
|
|
|
# 모델(LLM, Embeddding)
|
|
load_dotenv()
|
|
|
|
apikey = os.getenv("WATSONX_API_KEY")
|
|
project_id = os.getenv("WATSONX_PROJECT_ID")
|
|
watsonx_ai_url = os.getenv("WATSONX_URL")
|
|
|
|
watson_embedding = WatsonxEmbeddings(
|
|
model_id="ibm/granite-embedding-278m-multilingual",
|
|
url = f"{watsonx_ai_url}",
|
|
api_key = f"{apikey}",
|
|
project_id=f"{project_id}"
|
|
)
|
|
|
|
ollama_embedding = OllamaEmbeddings(model="nomic-embed-text-v2-moe")
|
|
|
|
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
|
|
|
|
LOADERS = {
|
|
".pdf" : PyPDFLoader,
|
|
".csv" : CSVLoader,
|
|
".docx" : UnstructuredWordDocumentLoader,
|
|
".xlsx" : UnstructuredExcelLoader,
|
|
".txt" : TextLoader,
|
|
}
|
|
|
|
CHROMA_DIR = "./db/chroma"
|
|
COLLECTION_NAME = "job_rag"
|
|
CHUNKS_PATH = "./db/chunks.pkl"
|
|
|
|
DOCUMENTS = []
|
|
CHUNKS = []
|
|
VECTORSTORE = None
|
|
|
|
# ==========
|
|
# Tap 1 - 기능 구현
|
|
# ==========
|
|
def extract_metadata(file_path):
|
|
# 2026 상 삼성 E&A 직무기술서
|
|
# {year:2026, recruitment_period:상반기, company:삼성E&A, file_name:2026 상 삼성E&A 직무기술서}
|
|
|
|
# 확장자를 제외한 파일명
|
|
name = file_path.name
|
|
datas = name.split()
|
|
|
|
return {
|
|
"year": int(datas[0]),
|
|
"recruitment_period": datas[1] + "반기",
|
|
"company": datas[2],
|
|
"file_name": name
|
|
}
|
|
|
|
|
|
def upload_files(files):
|
|
"""
|
|
여러 개의 파일(pdf, csv)이 업로드 될 때 각 파일을 load() 한 결과는 DOCUMENTS 추가
|
|
몇 개의 문서가 업로드 되었는지 리턴
|
|
확장자 분리
|
|
"""
|
|
global DOCUMENTS
|
|
|
|
all_docs = []
|
|
|
|
for file in files:
|
|
# 파일명 가져오기
|
|
path = Path(file.name)
|
|
# 확장자 가져오기
|
|
ext = path.suffix.lower()
|
|
|
|
loader = LOADERS[ext](file.name)
|
|
docs = loader.load()
|
|
|
|
# metadata 정리
|
|
meta_info = extract_metadata(path)
|
|
# metadata 업데이트
|
|
for doc in docs:
|
|
doc.metadata.update(meta_info)
|
|
|
|
all_docs.extend(docs)
|
|
|
|
DOCUMENTS = all_docs
|
|
|
|
return f"문서 수 : {len(all_docs)}"
|
|
|
|
def preview_chunks():
|
|
global DOCUMENTS
|
|
global CHUNKS
|
|
|
|
if not DOCUMENTS:
|
|
return "문서가 없음."
|
|
|
|
# 전체문서는 DOCUMENTS 안에 있음
|
|
# 분리
|
|
CHUNKS = splitter.split_documents(DOCUMENTS)
|
|
|
|
# 청크 10개 까지만 내용 출력
|
|
preview = []
|
|
for i, chunk in enumerate(CHUNKS[:10]):
|
|
preview.append(f"""[CHUNK {i + 1}]{chunk.page_content[:100]}\n
|
|
""")
|
|
return "\n\n".join(preview)
|
|
|
|
def build_vectorstore():
|
|
global VECTORSTORE
|
|
global CHUNKS
|
|
|
|
if not CHUNKS:
|
|
return "먼저 CHUNK를 생성하세요."
|
|
|
|
# 기존의 VECTORSTORE가 있다면 제거
|
|
if Path(CHROMA_DIR).exists():
|
|
shutil.rmtree(CHROMA_DIR)
|
|
|
|
VECTORSTORE = Chroma.from_documents(documents=CHUNKS,
|
|
embedding=watson_embedding,
|
|
persist_directory=CHROMA_DIR,
|
|
collection_name=COLLECTION_NAME
|
|
)
|
|
|
|
return f"""
|
|
생성 완료
|
|
|
|
Chunk: {len(CHUNKS)}
|
|
|
|
Vector: {VECTORSTORE._collection.count()}
|
|
"""
|
|
|
|
# ==========
|
|
# Gradio UI
|
|
# ==========
|
|
|
|
with gr.Blocks() as app:
|
|
gr.Markdown("# 사내 문서 RAG")
|
|
with gr.Tab("문서관리"):
|
|
files = gr.File(file_count = "multiple")
|
|
upload_btn = gr.Button("문서 업로드")
|
|
upload_status = gr.Textbox()
|
|
upload_btn.click(upload_files, files, upload_status)
|
|
chunk_btn = gr.Button("chunk 확인")
|
|
chunk_preview = gr.Textbox(lines = 20)
|
|
chunk_btn.click(preview_chunks, outputs = chunk_preview)
|
|
vector_btn = gr.Button("vector DB 생성")
|
|
vector_status = gr.Textbox()
|
|
vector_btn.click(build_vectorstore, outputs = vector_status)
|
|
|
|
with gr.Tab("검색 테스트"):
|
|
pass
|
|
|
|
with gr.Tab("RAG 채팅"):
|
|
pass
|
|
|
|
pass
|
|
|
|
if __name__ =="__main__":
|
|
app.launch() |