SimpleDirectoryReader#
SimpleDirectoryReader
是将本地文件加载到 LlamaIndex 中的最简单方式。在生产环境中,您更可能希望使用 LlamaHub 上提供的众多读取器之一,但 SimpleDirectoryReader
是一个很好的起点。
支持的文件类型#
默认情况下,SimpleDirectoryReader
会尝试读取它找到的任何文件,并将它们都视为文本。除了纯文本外,它还明确支持以下文件类型,这些文件类型会根据文件扩展名自动检测:
- .csv - 逗号分隔值
- .docx - Microsoft Word
- .epub - EPUB 电子书格式
- .hwp - 韩文文字处理器
- .ipynb - Jupyter 笔记本
- .jpeg, .jpg - JPEG 图像
- .mbox - MBOX 电子邮件存档
- .md - Markdown
- .mp3, .mp4 - 音频和视频
- .pdf - 可移植文档格式
- .png - 可移植网络图形
- .ppt, .pptm, .pptx - Microsoft PowerPoint
您可能期望在这里找到的一种文件类型是 JSON;对于这种情况,我们建议您使用我们的 JSON Loader。
用法#
最基本的用法是传递一个 input_dir
,它将加载该目录中的所有支持的文件:
from llama_index.core import SimpleDirectoryReader
reader = SimpleDirectoryReader(input_dir="path/to/directory")
documents = reader.load_data()
如果从一个目录加载多个文件,则还可以使用并行处理来加载文件。请注意,在 Windows 和 Linux/MacOS 机器上使用 multiprocessing
时会有一些差异,这些差异在 multiprocessing
文档中有详细说明(例如请参阅这里)。最终,当加载完全相同的文件集时,Windows 用户可能会看到较少或没有性能提升,而 Linux/MacOS 用户在加载相同的文件集时可能会看到性能提升。
...
documents = reader.load_data(num_workers=4)
从子目录中读取#
默认情况下,SimpleDirectoryReader
只会读取目录顶层的文件。要从子目录中读取,请设置 recursive=True
:
SimpleDirectoryReader(input_dir="path/to/directory", recursive=True)
在加载文件时迭代文件#
您还可以使用 iter_data()
方法来迭代并处理文件的加载过程
reader = SimpleDirectoryReader(input_dir="path/to/directory", recursive=True)
all_docs = []
for docs in reader.iter_data():
# <对每个文件的文档执行某些操作>
all_docs.extend(docs)
限制加载的文件#
您可以传递一个文件路径列表,而不是加载所有文件:
SimpleDirectoryReader(input_files=["path/to/file1", "path/to/file2"])
或者,您可以传递一个要排除的文件路径列表,使用 exclude
:
SimpleDirectoryReader(
input_dir="path/to/directory", exclude=["path/to/file1", "path/to/file2"]
)
您还可以将 required_exts
设置为文件扩展名列表,以仅加载具有这些扩展名的文件:
SimpleDirectoryReader(
input_dir="path/to/directory", required_exts=[".pdf", ".docx"]
)
并且您可以使用 num_files_limit
设置要加载的文件的最大数量:
SimpleDirectoryReader(input_dir="path/to/directory", num_files_limit=100)
指定文件编码#
SimpleDirectoryReader
期望文件采用 utf-8
编码,但您可以使用 encoding
参数覆盖此设置:
SimpleDirectoryReader(input_dir="path/to/directory", encoding="latin-1")
提取元数据#
您可以指定一个函数,该函数将读取每个文件并提取元数据,然后将其附加到每个文件的 Document
对象上,方法是将该函数作为 file_metadata
参数传递:
def get_meta(file_path):
return {"foo": "bar", "file_path": file_path}
SimpleDirectoryReader(input_dir="path/to/directory", file_metadata=get_meta)
该函数应该接受一个参数,即文件路径,并返回一个元数据字典。
扩展到其他文件类型#
您可以通过将文件扩展名的字典传递给 BaseReader
的实例来扩展 SimpleDirectoryReader
以读取其他文件类型,方法是将 file_extractor
作为参数传递。BaseReader 应该读取文件并返回一个 Document
列表。例如,要为 .myfile
文件添加自定义支持:
from llama_index.core import SimpleDirectoryReader
from llama_index.core.readers.base import BaseReader
from llama_index.core import Document
class MyFileReader(BaseReader):
def load_data(self, file, extra_info=None):
with open(file, "r") as f:
text = f.read()
# load_data 返回一个 Document 对象列表
return [Document(text=text + "Foobar", extra_info=extra_info or {})]
reader = SimpleDirectoryReader(
input_dir="./data", file_extractor={".myfile": MyFileReader()}
)
documents = reader.load_data()
print(documents)
对外部文件系统的支持#
与其他模块一样,SimpleDirectoryReader
接受一个可选的 fs
参数,用于遍历远程文件系统。
这可以是任何由 fsspec
协议实现的文件系统对象。
fsspec
协议为各种远程文件系统提供了开源实现,包括 AWS S3, Azure Blob & DataLake, Google Drive, SFTP 以及 许多其他文件系统。
以下是一个连接到 S3 的示例:
from s3fs import S3FileSystem
s3_fs = S3FileSystem(key="...", secret="...")
bucket_name = "my-document-bucket"
reader = SimpleDirectoryReader(
input_dir=bucket_name,
fs=s3_fs,
recursive=True, # 递归搜索所有子目录
)
documents = reader.load_data()
print(documents)
完整的示例笔记本可以在 这里 找到。