Skip to main content

build_text_corpus

签名
功能
  • 支持 .txt / .md;
  • 支持 .docx(读取段落与表格内容);
  • 支持 .pdf / .xps / .oxps / .epub / .mobi / .fb2(经 pymupdf 纯文本抽取)。
  • 目录模式下会递归处理。
输出格式(JSONL)

build_image_corpus

签名
功能
  • 仅支持 PDF:以 144DPI 渲染每页为 JPG(RGB),并校验文件有效性。
  • 目录模式下会递归处理。
输出索引(JSONL)

mineru_parse

签名
功能
  • 调用 CLI mineru 对 PDF/目录进行结构化解析,输出到 mineru_dir

build_mineru_corpus

签名
功能
  • 汇总 MinerU 解析产物为 文本语料 JSONL图片索引 JSONL
输出格式(JSONL)
  • 文本:
  • 图片:

chunk_documents

签名
功能
  • 将输入文本语料(JSONL,含 id/title/contents)按所选后端切分为段落块:
  • Chunk Backend: 支持 token / sentence / recursive
  • Tokenizer: tokenizer_or_token_counter 可选 wordcharactertiktoken 编码名称(如 gpt2)。
  • Chunk Size: 通过 chunk_size 控制块大小(overlap 默认为 size/4)。
  • 可选在每个块首部附加文档标题(use_title)。
输出格式(JSONL)

参数配置

servers/corpus/parameter.yaml
参数说明: chunk_backend_configs 详细参数: