知識庫讀取Word內(nèi)容時，由于embedding切片操作，可能會出現(xiàn)表格被分割成多個切片的情況。這種切片方式可能導致“列名欄”和“內(nèi)容欄”之間的Y軸關系鏈斷裂，從而無法準確地確定每一列的數(shù)據(jù)對應關系，從而使得無法準確知道每一列的數(shù)據(jù)匯總。

用下面表格為例子：

直接演示一下本文代碼運行的對比結果，分別展示“無優(yōu)化”和“有優(yōu)化”的問答結果，標綠框的是回答錯誤的：

本文幫助提高文本處理和向量化的效率，以下是對每個步驟的詳細說明，詳見md_embedding.py源碼：

1. 分離文字和表格：將原始Word文檔中的文字內(nèi)容和表格分開保存。將文字內(nèi)容保存為純文本的Markdown文件，而將表格單獨保存為多個只包含Markdown表格的Markdown文件。例如，一個Word文檔包含2個表格，即生成1個純文字Markdown文件，2個純表格的Markdown文件。
2. 切片并向量化處理：對于多個Markdown文件，按照固定的大小切片，確保切片大小是大于Markdown表格的體積，以確保包含完整的表格。然后對這些切片進行向量化處理。

這種方法的優(yōu)點是能夠有效地分離文字和表格，并通過切片和向量化處理提高處理效率。通過將表格轉化為向量表示，可以更方便地進行后續(xù)的計算和分析。同時，由于切片時保證了表格的完整性，可以避免表格被切斷導致信息丟失的問題。

有優(yōu)化的embedding的源碼， md_embedding.py 如下：

import os
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import DirectoryLoader
from langchain.document_loaders import UnstructuredFileLoader
from langchain.document_loaders import UnstructuredWordDocumentLoader

from docx import Document



def convert_word_tables_to_markdown(file_path, output_folder):
    def convert_table_to_markdown(table):
        markdown = ""
        for row in table.rows:
            cells = [cell.text.replace('\n', '').replace('|', '|') for cell in row.cells]
            markdown += "|".join(cells) + "|\n"
        return markdown

    doc = Document(file_path)
    
    # 創(chuàng)建輸出文件夾（如果不存在）
    os.makedirs(output_folder, exist_ok=True)
    
    # 將每個表格轉換為Markdown并保存為單獨的TXT文件
    for i, table in enumerate(doc.tables):
        markdown = convert_table_to_markdown(table)

        filename_without_ext=os.path.splitext(os.path.basename(file_path))[0]
        # 將Markdown表格寫入TXT文件
        output_file_path = os.path.join(output_folder, filename_without_ext+f"_output_{i+1}.md")
        with open(output_file_path, "w", encoding='utf-8') as file:
            file.write(markdown)
            
    return output_folder



def remove_tables_save_as_md(file_path, output_file_path):
    doc = Document(file_path)
    
    # 移除所有表格
    for table in doc.tables:
        table._element.getparent().remove(table._element)

    # 獲取剩余內(nèi)容的純文本，并構建Markdown格式字符串
    content = [p.text.strip() for p in doc.paragraphs if p.text.strip()]
    markdown_content = '\n\n'.join(content)

    # 保存為MD文件
    with open(output_file_path, 'w', encoding='utf-8') as file:
        file.write(markdown_content)
        
    return output_file_path


abs_docx_path='D:\CloudDisk\OpenAI\博客的源碼\Docx表格優(yōu)化\帶表格DOCX.docx'
embedding_folder_path=os.path.dirname(abs_docx_path)+'\\md_txt'
os.makedirs(embedding_folder_path,exist_ok=True)

convert_word_tables_to_markdown(abs_docx_path,embedding_folder_path)
remove_tables_save_as_md(abs_docx_path,embedding_folder_path+'\\'+os.path.basename(abs_docx_path)+'.md')


# 1 定義embedding
embeddings = OpenAIEmbeddings(openai_api_key='aaaaaaaaaaaaaaaaaa',
                              openai_api_base='bbbbbbbbbbbbbbbbbbbbbbbbbb',
                              openai_api_type='azure',
                              model="text-embedding-ada-002",
                              deployment="lk-text-embedding-ada-002",
                              chunk_size=1)

# 2 定義文件 
loader = DirectoryLoader(embedding_folder_path, glob="**/*.md")
pages = loader.load_and_split()

# 按固定尺寸切分段落
text_splitter_RCTS = RecursiveCharacterTextSplitter(
    chunk_size = 500,
    chunk_overlap = 100
)

split_docs_RCTS = text_splitter_RCTS.split_documents(pages)
for item in split_docs_RCTS:
    print(item)
    print('')

#寫入向量數(shù)據(jù)庫
print(f'寫入RCTS向量數(shù)據(jù)庫')
vectordb = Chroma.from_documents(split_docs_RCTS, embedding=embeddings, persist_directory="./MD_RCTS/")
vectordb.persist()

?無優(yōu)化的embedding的源碼，docx_embedding.py 如下：

import os
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.document_loaders import UnstructuredWordDocumentLoader

# 1 定義embedding
embeddings = OpenAIEmbeddings(openai_api_key='aaaaaaaaaa',
                              openai_api_base='bbbbbbbbbbb',
                              openai_api_type='azure',
                              model="text-embedding-ada-002",
                              deployment="lk-text-embedding-ada-002",
                              chunk_size=1)

docx_file_path="D:\CloudDisk\OpenAI\博客的源碼\Docx表格優(yōu)化\帶表格DOCX.docx"

# 2 定義文件 
loader = UnstructuredWordDocumentLoader(docx_file_path)
pages = loader.load_and_split()

# 按固定尺寸切分段落
text_splitter_RCTS = RecursiveCharacterTextSplitter(
    chunk_size = 500,
    chunk_overlap = 100
)

split_docs_RCTS = text_splitter_RCTS.split_documents(pages)
for item in split_docs_RCTS:
    print(item)
    print('')

#寫入向量數(shù)據(jù)庫
print(f'寫入RCTS向量數(shù)據(jù)庫')
vectordb = Chroma.from_documents(split_docs_RCTS, embedding=embeddings, persist_directory="./Word_RCTS/")
vectordb.persist()
 

?問答測試?chat_qa.py：文章來源地址http://www.zghlxwxcb.cn/news/detail-612333.html

import time
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain.chat_models import AzureChatOpenAI

  
def getQuestionList():
    question_list=[
    '級數(shù)=T6,專業(yè)名稱是?',
    '要求碩士學歷有哪些級數(shù)?',
    '分值大于等于70是哪些級數(shù)?',
    '可以兼職的是什么級數(shù)?',
    '需要工作經(jīng)驗滿5年以上是哪些專業(yè)?',
    '首席工程師要求什么學歷，工作經(jīng)驗多少年',
    '自上而下的原則，是指?',
    '現(xiàn)場答辯，是指?',
    '級數(shù)=T3,專業(yè)名稱是?',
    '級數(shù)=T4,專業(yè)名稱是?',
    ]

    return question_list

embeddings = OpenAIEmbeddings(openai_api_key='aaaaaaaaaaaaaaaaa',
                              openai_api_base='bbbbbbbbbbbbbbbbbbbbbbb',
                              openai_api_type='azure',
                              model="text-embedding-ada-002",
                              deployment="lk-text-embedding-ada-002",
                              chunk_size=1)


openAiLLm = AzureChatOpenAI(openai_api_key='aaaaaaaaaaaaaaaaaaaaaaaaaaaa', #注意這里，不同 API_BASE 使用不同 APK_KEY
                              openai_api_base="bbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbb",
                              openai_api_version='2023-03-15-preview',
                              deployment_name='lk-gpt-35-turbo-16k',
                              temperature=0.9,
                              model_name="gpt-35-turbo-16k",
                              max_tokens=300)

print('------r---r---r----')

word_RTCS = Chroma(persist_directory="./Word_RCTS/", embedding_function=embeddings)
word_qa = RetrievalQA.from_chain_type(llm=openAiLLm,chain_type="stuff",retriever=word_RTCS.as_retriever(),return_source_documents = False) 

md_RTCS = Chroma(persist_directory="./MD_RCTS/", embedding_function=embeddings)
md_qa = RetrievalQA.from_chain_type(llm=openAiLLm,chain_type="stuff",retriever=md_RTCS.as_retriever(),return_source_documents = False)

#print(qa_RTCS)#查看自定義Prompt的結構體內(nèi)容
for i in range(0,len(getQuestionList())):
    question_text=getQuestionList()[i]
    
    # 進行問答
    wordchat = word_qa({"query": question_text}) 
    wordquery = str(wordchat['query'])
    wordresult = str(wordchat['result'])
    
    print("問題: ",wordquery)
    print("無優(yōu)化-結果:",wordresult)
    time.sleep(1)#每次提問間隔1s
    
    
    csvchat = md_qa({"query": question_text}) 
    csvquery = str(csvchat['query'])
    csvresult = str(csvchat['result'])
    #print("MD問題: ",csvquery)
    print("有優(yōu)化-結果:",csvresult)
    print('----------------------------------------')

    time.sleep(1)#每次提問間隔1s
    

到了這里，關于ChatGPT | 分割Word文字及表格，優(yōu)化文本分析的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！