Spaces:
Sleeping
Sleeping
Update src/preprocess.py
Browse files- src/preprocess.py +73 -76
src/preprocess.py
CHANGED
@@ -1,76 +1,73 @@
|
|
1 |
-
from langchain_community.document_loaders import PyMuPDFLoader
|
2 |
-
from langchain.text_splitter import RecursiveCharacterTextSplitter
|
3 |
-
import re
|
4 |
-
|
5 |
-
class Loader:
|
6 |
-
"""Clase encargada de la carga desde PDFs,
|
7 |
-
admite PDFs con texto seleccionable unicamente. Realiza
|
8 |
-
carga y devuelve lista de chunks de texto.
|
9 |
-
"""
|
10 |
-
def __init__(self, path: str):
|
11 |
-
self.path = path
|
12 |
-
|
13 |
-
def load_docs(self,pag:slice=None):
|
14 |
-
"""Carga el PDF y devuelve lista de chunks de texto.
|
15 |
-
|
16 |
-
loader
|
17 |
-
|
18 |
-
|
19 |
-
|
20 |
-
|
21 |
-
@staticmethod
|
22 |
-
|
23 |
-
|
24 |
-
|
25 |
-
|
26 |
-
|
27 |
-
|
28 |
-
|
29 |
-
|
30 |
-
|
31 |
-
|
32 |
-
|
33 |
-
|
34 |
-
|
35 |
-
|
36 |
-
|
37 |
-
|
38 |
-
|
39 |
-
|
40 |
-
|
41 |
-
|
42 |
-
|
43 |
-
|
44 |
-
#
|
45 |
-
|
46 |
-
|
47 |
-
|
48 |
-
|
49 |
-
|
50 |
-
|
51 |
-
|
52 |
-
|
53 |
-
|
54 |
-
|
55 |
-
|
56 |
-
|
57 |
-
|
58 |
-
|
59 |
-
|
60 |
-
|
61 |
-
|
62 |
-
|
63 |
-
|
64 |
-
|
65 |
-
|
66 |
-
|
67 |
-
|
68 |
-
|
69 |
-
|
70 |
-
|
71 |
-
|
72 |
-
|
73 |
-
chunks
|
74 |
-
|
75 |
-
return chunks
|
76 |
-
|
|
|
1 |
+
from langchain_community.document_loaders import PyMuPDFLoader
|
2 |
+
from langchain.text_splitter import RecursiveCharacterTextSplitter
|
3 |
+
import re
|
4 |
+
|
5 |
+
class Loader:
|
6 |
+
"""Clase encargada de la carga desde PDFs,
|
7 |
+
admite PDFs con texto seleccionable unicamente. Realiza
|
8 |
+
carga y devuelve lista de chunks de texto.
|
9 |
+
"""
|
10 |
+
def __init__(self, path: str):
|
11 |
+
self.path = path
|
12 |
+
|
13 |
+
def load_docs(self, pag: slice = None):
|
14 |
+
"""Carga el PDF y devuelve lista de chunks de texto."""
|
15 |
+
loader = PyMuPDFLoader(self.path)
|
16 |
+
docs = loader.load()
|
17 |
+
if pag:
|
18 |
+
docs = docs[pag]
|
19 |
+
return [doc.page_content for doc in docs]
|
20 |
+
|
21 |
+
@staticmethod
|
22 |
+
def limpiar_texto(texto: str) -> str:
|
23 |
+
"""
|
24 |
+
Limpia el texto eliminando caracteres basura y normalizando espacios y saltos de línea.
|
25 |
+
Esta función está diseñada para preprocesar libros u otros documentos largos,
|
26 |
+
facilitando su uso en aplicaciones de Retrieval Augmented Generation (RAG).
|
27 |
+
|
28 |
+
Args:
|
29 |
+
texto (str): El texto original a limpiar.
|
30 |
+
|
31 |
+
Returns:
|
32 |
+
str: El texto limpio.
|
33 |
+
"""
|
34 |
+
# 1. Eliminar saltos de línea, tabulaciones y otros caracteres de control
|
35 |
+
texto = re.sub(r'[\r\n\t]+', ' ', texto)
|
36 |
+
|
37 |
+
# 2. Eliminar caracteres no imprimibles (códigos de control)
|
38 |
+
texto = re.sub(r'[\x00-\x1F\x7F]', '', texto)
|
39 |
+
|
40 |
+
# 3. Sustituir múltiples espacios por uno solo
|
41 |
+
texto = re.sub(r'\s+', ' ', texto)
|
42 |
+
|
43 |
+
# 4. Eliminar caracteres que no sean letras, dígitos o signos de puntuación comunes
|
44 |
+
# Se conservan letras con acentos y caracteres propios del español.
|
45 |
+
texto = re.sub(r'[^\w\s.,;:¡!¿?\-áéíóúÁÉÍÓÚñÑ]', '', texto)
|
46 |
+
|
47 |
+
# 5. Eliminar espacios al inicio y al final
|
48 |
+
texto = texto.strip()
|
49 |
+
|
50 |
+
return texto
|
51 |
+
|
52 |
+
@staticmethod
|
53 |
+
def splitter(texto, chunk_size, chunk_overlap):
|
54 |
+
"""
|
55 |
+
Divide el texto en chunks
|
56 |
+
|
57 |
+
Args:
|
58 |
+
chunk_size (int): Largo del chunk.
|
59 |
+
chunk_overlap (int): Sobreposición de chunks.
|
60 |
+
texto (list): lista de textos a procesar.
|
61 |
+
|
62 |
+
Returns:
|
63 |
+
list: Los textos en chunks.
|
64 |
+
"""
|
65 |
+
splitter = RecursiveCharacterTextSplitter(
|
66 |
+
chunk_size=chunk_size,
|
67 |
+
chunk_overlap=chunk_overlap,
|
68 |
+
length_function=len,
|
69 |
+
separators=["\n\n", "\n", " ", ""]
|
70 |
+
)
|
71 |
+
chunks = splitter.create_documents(texto)
|
72 |
+
|
73 |
+
return chunks
|
|
|
|
|
|