'commit'
This commit is contained in:
@@ -1,9 +1,8 @@
|
||||
import hashlib # 导入哈希库
|
||||
import time
|
||||
import warnings
|
||||
import hashlib # 导入哈希库
|
||||
|
||||
from elasticsearch import Elasticsearch
|
||||
from langchain_core.documents import Document
|
||||
from langchain_openai import OpenAIEmbeddings # 直接导入嵌入模型
|
||||
from pydantic import SecretStr # 用于包装API密钥
|
||||
|
||||
@@ -16,7 +15,7 @@ warnings.filterwarnings('ignore', message='Unverified HTTPS request is being mad
|
||||
|
||||
def insert_long_text_to_es(long_text: str, tags: list = None) -> bool:
|
||||
"""
|
||||
将长文本向量化并插入到Elasticsearch
|
||||
将长文本向量化并插入到Elasticsearch,基于文本内容哈希实现去重
|
||||
|
||||
参数:
|
||||
long_text: 要插入的长文本
|
||||
@@ -61,36 +60,44 @@ def insert_long_text_to_es(long_text: str, tags: list = None) -> bool:
|
||||
es.indices.create(index=index_name, body=mapping)
|
||||
print(f"索引 '{index_name}' 创建成功")
|
||||
|
||||
# 3. 创建文档对象
|
||||
docs = [Document(page_content=long_text, metadata={"source": "user_provided_text"})]
|
||||
# 3. 生成文本内容的哈希值作为文档ID(实现去重)
|
||||
doc_id = hashlib.md5(long_text.encode('utf-8')).hexdigest()
|
||||
print(f"文本哈希值: {doc_id}")
|
||||
|
||||
# 4. 获取当前时间
|
||||
timestamp = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
|
||||
# 4. 检查文档是否已存在
|
||||
if es.exists(index=index_name, id=doc_id):
|
||||
print(f"文档已存在,跳过插入: {doc_id}")
|
||||
return True
|
||||
|
||||
# 5. 准备标签
|
||||
if tags is None:
|
||||
tags = ["general_text"]
|
||||
tags_dict = {"tags": tags, "full_content": long_text}
|
||||
|
||||
# 6. 直接创建嵌入模型并生成向量
|
||||
# 6. 获取当前时间
|
||||
timestamp = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
|
||||
|
||||
# 7. 直接创建嵌入模型并生成向量
|
||||
embeddings = OpenAIEmbeddings(
|
||||
model=Config.EMBED_MODEL_NAME,
|
||||
base_url=Config.EMBED_BASE_URL,
|
||||
api_key=SecretStr(Config.EMBED_API_KEY)
|
||||
)
|
||||
|
||||
# 7. 生成文本嵌入向量
|
||||
# 8. 生成文本嵌入向量
|
||||
embedding = embeddings.embed_documents([long_text])[0]
|
||||
|
||||
# 8. 插入数据到Elasticsearch
|
||||
# 9. 准备文档数据
|
||||
doc = {
|
||||
'tags': tags_dict,
|
||||
'user_input': long_text[:500], # 取前500个字符作为摘要
|
||||
'timestamp': timestamp,
|
||||
'embedding': embedding
|
||||
}
|
||||
es.index(index=index_name, document=doc)
|
||||
print(f"长文本数据插入成功")
|
||||
|
||||
# 10. 插入数据到Elasticsearch(使用哈希值作为ID)
|
||||
es.index(index=index_name, id=doc_id, document=doc)
|
||||
print(f"长文本数据插入成功: {doc_id}")
|
||||
return True
|
||||
except Exception as e:
|
||||
print(f"插入数据失败: {e}")
|
||||
@@ -99,12 +106,11 @@ def insert_long_text_to_es(long_text: str, tags: list = None) -> bool:
|
||||
|
||||
def main():
|
||||
# 示例1:插入单个长文本
|
||||
long_text = """混凝土是一种广泛使用的建筑材料,由水泥、砂、石子和水混合而成。它具有高强度、耐久性和良好的可塑性,被广泛应用于建筑、桥梁、道路等土木工程领域。
|
||||
long_text = "这是一个测试长文本,用于演示基于内容哈希的去重机制。"
|
||||
tags = ["test", "hash_deduplication"]
|
||||
insert_long_text_to_es(long_text, tags)
|
||||
|
||||
混凝土的历史可以追溯到古罗马时期,当时人们使用火山灰、石灰和碎石混合制成类似混凝土的材料。现代混凝土技术始于19世纪,随着波特兰水泥的发明而得到快速发展。
|
||||
|
||||
混凝土的性能取决于其配合比,包括水灰比、砂率等参数。水灰比是影响混凝土强度的关键因素,较小的水灰比通常会产生更高强度的混凝土。"""
|
||||
insert_long_text_to_es(long_text, tags=["construction", "materials"])
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
|
Reference in New Issue
Block a user