Unsiloed-chunker 的项目扩展与二次开发
2025-06-20 16:03:56作者:庞眉杨Will
项目的基础介绍
Unsiloed-chunker 是一个开源文档处理项目,旨在简化文档的分块处理流程,支持多种文件格式,并提供与生成式人工智能生态系统的无缝集成。项目适用于文档分块、结构化数据提取以及为高质量的 RAG( Retrieval Augmented Generation)管道提供支持。
项目的核心功能
- 文档分块:支持多种分块策略,包括固定大小、基于页面(仅限 PDF)、语义分块、基于段落和基于标题的分块。
- 文件格式支持:支持处理 PDF、DOCX、PPTX、HTML、Markdown 以及网站 URL。
- AI 集成:使用 OpenAI GPT-4o 进行语义分块,并使用 Unsiloed 定制的 Yolo 模型进行图像分割。
项目使用了哪些框架或库?
- openai:用于调用 OpenAI API 进行语义分块。
- PyPDF2:用于处理 PDF 文件。
- python-docx:用于处理 Word 文档(.docx)。
- python-pptx:用于处理 PowerPoint 演示文稿(.pptx)。
- fastapi:用于构建 API 接口。
- python-multipart:用于处理 HTTP 请求中的多部分数据。
项目的代码目录及介绍
项目的代码目录如下:
- .github/:包含 GitHub Actions 相关的配置文件。
- .gitignore:指定 Git 忽略的文件和目录。
- LICENSE:项目使用的 Apache-2.0 许可证文件。
- MANIFEST.in:指定打包时包含的文件。
- README.md:项目说明文件。
- logo.png:项目图标。
- requirements.txt:项目依赖的 Python 包列表。
- setup.py:项目的安装脚本。
对项目进行扩展或者二次开发的方向
- 增加新的分块策略:可以根据需求添加更多的分块策略,如基于关键词、实体等。
- 支持更多文件格式:扩展项目以支持更多类型的文档格式,如 RTF、TXT 等。
- 集成其他 AI 模型:除了 OpenAI 的模型外,还可以集成其他 NLP 或图像处理模型,如 BERT、Tesseract 等。
- 优化性能:通过多线程、异步处理等技术优化项目性能,提高处理速度。
- 用户界面开发:可以开发一个图形用户界面(GUI),使非技术用户也能轻松使用该工具。
- Web 服务:将项目扩展为一个完整的 Web 服务,提供在线文档处理功能。
- 错误处理和日志记录:增强错误处理和日志记录功能,以便更好地监控和调试系统。
- 社区支持和文档:建立社区,提供详细的用户文档和开发文档,促进项目的广泛应用和持续发展。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~057CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0382- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
48
259

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
348
381

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
871
516

React Native鸿蒙化仓库
C++
179
263

openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184

deepin linux kernel
C
22
5

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
335
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0