LlamaIndex 实现 RAG（二）- 文档解析

RAG 中最关键的就是知识库构建，知识库主要的作用就是为大模型提供内企业内部知识或者新的知识。在 RAG 中，知识存储通常是把文档进行拆分为块 (Chunk)，并通过 Embedding 模型将文档块转为向量型数据，并将向量数据进行保存，为后续的搜索提供数据。文档通常分为多种类型，比较常见的文档类型包括 Work、PDF、Markdown，对于 Excel 这种表格型文档，也可以转为 Markdown 类型的文档，本文将使用 LlamaIndex 对不同文档进行切分、向量化和并进行搜索。

文档切分

先来看上一篇文章中所切分的 PDF 文档，文档总共13 页，分析一下 LlamaIndex 的切分结果。

    # 读取 "./data" 目录中的数据并加载为文档对象
    documents = SimpleDirectoryReader("./data").load_data()

文件被解析成了 13 个文档，每页转成了一个文档

PDF 转换代码如下

LamaIndex 中 Document 都是 Node，对于文字类型的节点，节点类型为 TextNode，对于图片，对应的节点类型为 ImageNode，I