Optimierung des Chunking-Parsers zur Unterstützung atomares Chunking und verbesserte Block-Trennung. Anpassungen an der Sektions-Chunking-Strategie zur Wahrung von Sektionsgrenzen und Vermeidung von Überhängen.
This commit is contained in:
parent
7eba1fb487
commit
1b40e29f40
|
|
@ -1,6 +1,7 @@
|
|||
"""
|
||||
FILE: app/core/chunking/chunking_parser.py
|
||||
DESCRIPTION: Zerlegt Markdown in Blöcke. Hält H1-Überschriften im Stream.
|
||||
DESCRIPTION: Zerlegt Markdown in Blöcke. Hält H1-Überschriften im Stream
|
||||
und optimiert die Block-Trennung für atomares Chunking.
|
||||
"""
|
||||
import re
|
||||
from typing import List, Tuple, Set
|
||||
|
|
@ -24,7 +25,8 @@ def parse_blocks(md_text: str) -> Tuple[List[RawBlock], str]:
|
|||
|
||||
# H1 für Note-Titel extrahieren (Metadaten)
|
||||
h1_match = re.search(r'^#\s+(.*)', text_without_fm, re.MULTILINE)
|
||||
if h1_match: h1_title = h1_match.group(1).strip()
|
||||
if h1_match:
|
||||
h1_title = h1_match.group(1).strip()
|
||||
|
||||
lines = text_without_fm.split('\n')
|
||||
buffer = []
|
||||
|
|
@ -45,7 +47,7 @@ def parse_blocks(md_text: str) -> Tuple[List[RawBlock], str]:
|
|||
level = len(heading_match.group(1))
|
||||
title = heading_match.group(2).strip()
|
||||
|
||||
# Pfad- und Titel-Update
|
||||
# Pfad- und Titel-Update für die Metadaten der folgenden Blöcke
|
||||
if level == 1:
|
||||
current_section_title = title
|
||||
section_path = "/"
|
||||
|
|
@ -53,10 +55,12 @@ def parse_blocks(md_text: str) -> Tuple[List[RawBlock], str]:
|
|||
current_section_title = title
|
||||
section_path = f"/{current_section_title}"
|
||||
|
||||
# Die Überschrift selbst als Block hinzufügen (Fix: H1 wird nicht mehr gefiltert)
|
||||
blocks.append(RawBlock("heading", stripped, level, section_path, current_section_title))
|
||||
continue
|
||||
|
||||
if not stripped and not line.startswith('>'): # Leerzeilen (außer in Callouts) trennen Blöcke
|
||||
# Leerzeilen trennen Blöcke, außer innerhalb von Callouts
|
||||
if not stripped and not line.startswith('>'):
|
||||
if buffer:
|
||||
content = "\n".join(buffer).strip()
|
||||
if content:
|
||||
|
|
|
|||
|
|
@ -1,6 +1,7 @@
|
|||
"""
|
||||
FILE: app/core/chunking/chunking_strategies.py
|
||||
DESCRIPTION: Strategien für atomares Sektions-Chunking (WP-15b konform).
|
||||
Fix: Vorausschauende Trennung zur Wahrung von Sektionsgrenzen.
|
||||
"""
|
||||
from typing import List, Dict, Any, Optional
|
||||
from .chunking_models import RawBlock, Chunk
|
||||
|
|
@ -18,6 +19,7 @@ def _create_context_win(doc_title: str, sec_title: Optional[str], text: str) ->
|
|||
def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id: str, doc_title: str = "") -> List[Chunk]:
|
||||
"""
|
||||
Gruppiert Blöcke zu Sektionen und hält diese atomar zusammen.
|
||||
Nutzt Look-Ahead, um Sektions-Überhänge zu vermeiden.
|
||||
"""
|
||||
strict = config.get("strict_heading_split", False)
|
||||
target = config.get("target", 400)
|
||||
|
|
@ -47,25 +49,38 @@ def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id:
|
|||
main_path = buf[0].section_path
|
||||
full_text = "\n\n".join([b.text for b in buf])
|
||||
|
||||
# Falls die gruppierten Sektionen in das Limit passen
|
||||
if estimate_tokens(full_text) <= max_tokens:
|
||||
_add_to_chunks(full_text, main_title, main_path)
|
||||
else:
|
||||
# Nur wenn eine Sektion ALLEINE zu groß ist, wird intern gesplittet
|
||||
sents = split_sentences(full_text)
|
||||
cur_sents = []; sub_len = 0
|
||||
# Kontext-Sicherung: Heading für Teil-Chunks merken
|
||||
header_text = buf[0].text if buf[0].kind == "heading" else ""
|
||||
|
||||
for s in sents:
|
||||
slen = estimate_tokens(s)
|
||||
if sub_len + slen > target and cur_sents:
|
||||
_add_to_chunks(" ".join(cur_sents), main_title, main_path)
|
||||
# Overlap Logic
|
||||
ov_s = []; ov_l = 0
|
||||
|
||||
# Overlap-Erzeugung und Header-Injektion für Folgeschritte
|
||||
ov_s = [header_text] if header_text else []
|
||||
ov_l = estimate_tokens(header_text) if header_text else 0
|
||||
for os in reversed(cur_sents):
|
||||
if ov_l + estimate_tokens(os) < overlap:
|
||||
ov_s.insert(0, os); ov_l += estimate_tokens(os)
|
||||
if os == header_text: continue
|
||||
t_len = estimate_tokens(os)
|
||||
if ov_l + t_len < overlap:
|
||||
ov_s.insert(len(ov_s)-1 if header_text else 0, os)
|
||||
ov_l += t_len
|
||||
else: break
|
||||
cur_sents = list(ov_s); cur_sents.append(s); sub_len = ov_l + slen
|
||||
else: cur_sents.append(s); sub_len += slen
|
||||
if cur_sents: _add_to_chunks(" ".join(cur_sents), main_title, main_path)
|
||||
cur_sents = list(ov_s); cur_sents.append(s)
|
||||
sub_len = ov_l + slen
|
||||
else:
|
||||
cur_sents.append(s); sub_len += slen
|
||||
|
||||
if cur_sents:
|
||||
_add_to_chunks(" ".join(cur_sents), main_title, main_path)
|
||||
|
||||
buf = []; cur_tokens = 0
|
||||
|
||||
|
|
@ -74,7 +89,7 @@ def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id:
|
|||
curr_sec: List[RawBlock] = []
|
||||
|
||||
for b in blocks:
|
||||
# Ein Split-Trigger startet eine neue Sektion
|
||||
# Ein Split-Trigger (H1 oder H2) startet eine neue atomare Sektion
|
||||
if b.kind == "heading" and b.level <= split_level:
|
||||
if curr_sec: sections.append(curr_sec)
|
||||
curr_sec = [b]
|
||||
|
|
@ -82,16 +97,15 @@ def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id:
|
|||
curr_sec.append(b)
|
||||
if curr_sec: sections.append(curr_sec)
|
||||
|
||||
# SCHRITT 2: Verarbeitung der Sektionen mit Vorausschau
|
||||
# SCHRITT 2: Verarbeitung der Sektionen mit Vorausschau (Look-Ahead)
|
||||
for sec in sections:
|
||||
# Token-Schätzung für die gesamte Sektion inkl. Newline-Overhead
|
||||
sec_text = "\n\n".join([b.text for b in sec])
|
||||
sec_tokens = estimate_tokens(sec_text)
|
||||
|
||||
if buf:
|
||||
# Passt die Sektion noch in den aktuellen Chunk?
|
||||
# VORAUSSCHAU: Würde die neue Sektion das Limit sprengen?
|
||||
if cur_tokens + sec_tokens > max_tokens:
|
||||
_flush_buffer()
|
||||
_flush_buffer() # Beende den aktuellen Chunk sauber VOR der neuen Sektion
|
||||
# Wenn strict: Jede neue Sektion auf split_level erzwingt neuen Chunk
|
||||
elif strict and sec[0].kind == "heading" and sec[0].level == split_level:
|
||||
_flush_buffer()
|
||||
|
|
@ -102,7 +116,7 @@ def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id:
|
|||
buf.extend(sec)
|
||||
cur_tokens += sec_tokens
|
||||
|
||||
# Falls der Puffer (selbst nach flush) durch eine Riesen-Sektion zu groß ist
|
||||
# Falls eine einzelne Sektion nach dem Flush (oder als erste) schon zu groß ist
|
||||
if cur_tokens >= max_tokens:
|
||||
_flush_buffer()
|
||||
|
||||
|
|
@ -110,8 +124,7 @@ def strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id:
|
|||
return chunks
|
||||
|
||||
def strategy_sliding_window(blocks: List[RawBlock], config: Dict[str, Any], note_id: str, context_prefix: str = "") -> List[Chunk]:
|
||||
# (Identische Korrektur wie oben für Sliding Window, falls benötigt)
|
||||
# Hier halten wir es einfach: Blöcke nacheinander bis target.
|
||||
"""Basis-Sliding-Window für flache Texte ohne Sektionsfokus."""
|
||||
target = config.get("target", 400)
|
||||
max_tokens = config.get("max", 600)
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue
Block a user