cbazza/ai.bewerbung---vectorize-documents
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs: README aktualisiert – ingest_V2, extractor, normalizer dokumentiert

Browse Source
This commit is contained in:
cbazza
2026-04-29 10:19:18 +02:00
parent 495831fb69
commit 2c58ac73cb
1 changed files with 93 additions and 103 deletions
Download Patch File Download Diff File Expand all files Collapse all files
README.md
+93 -103
View File
@@ -1,183 +1,173 @@
# RAG Ingestion Tools # RAG Ingestion Tools
Lokale Python-Tools zum Importieren von Dokumenten in pgvector-Datenbanken. Lokale Python-Tools zum Importieren von Dokumenten in pgvector-Datenbanken.
Drei eigenständige Tools für unterschiedliche Zieldatenbanken und Anwendungsfälle. Drei eigenständige Ingestion-Scripts für unterschiedliche Zieldatenbanken und
Anwendungsfälle, plus zwei gemeinsame Module für Extraktion und KI-Normalisierung.
---
## Dateistruktur
\`\`\`
rag-ingestion/
├── ingest_V2.py Vollpipeline v2: OCR + KI-Normalisierung (→ Hetzner)
├── ingest_anythingllm.py Einfaches Script v1: nur MD/TXT/PDF (→ Hetzner)
├── ingest_job_matching.py Job-Matching Script: direkt auf NAS (→ NAS Port 5433)
│
├── extractor.py Modul: Text-Extraktion + OCR (wird von ingest_V2 genutzt)
├── normalizer.py Modul: KI-Normalisierung via Claude (wird von ingest_V2 genutzt)
│
├── templates/
│ ├── *_TEMPLATE.md Ziel-Strukturvorlagen (leer)
│ └── ausgefuellt/ Ausgefüllte Referenzbeispiele (Few-Shot für KI, nicht in Git)
│
├── .env.ingest Secrets für ingest_V2.py (nicht in Git)
├── .env.job_matching Secrets für ingest_job_matching.py (nicht in Git)
└── .env.example Vorlage für .env.ingest
\`\`\`
--- ---
## Übersicht ## Übersicht
| Tool | Zieldatenbank | Verbindung | Besonderheit | | Tool | Zieldatenbank | Verbindung | .env-Datei | Besonderheit |
|---|---|---|---| |---|---|---|---|---|
| `ingest.py` | Hetzner (anythingllm) | SSH-Tunnel | OCR + KI-Normalisierung | | \`ingest_V2.py\` | Hetzner (anythingllm) | SSH-Tunnel | \`.env.ingest\` | OCR + KI-Normalisierung |
| `ingest_anythingllm.py` | Hetzner (anythingllm) | SSH-Tunnel | Einfach, nur MD/TXT/PDF | | \`ingest_anythingllm.py\` | Hetzner (anythingllm) | SSH-Tunnel | \`.env.ingest\` | Einfach, nur MD/TXT/PDF |
| `ingest_job_matching.py` | NAS 192.168.178.128 | Direkt (Port 5433) | Job-Matching-Datenbank | | \`ingest_job_matching.py\` | NAS 192.168.178.128 | Direkt (Port 5433) | \`.env.job_matching\` | Job-Matching-Datenbank |
--- ---
## Tool 1: `ingest.py` — Vollpipeline mit OCR + KI-Normalisierung ## Tool 1: \`ingest_V2.py\` — Vollpipeline mit OCR + KI-Normalisierung
Das Haupt-Tool der neuen Generation. Verarbeitet beliebige Dokumente (inkl. Scans Das Haupt-Tool der neuen Generation. Verarbeitet beliebige Dokumente (inkl. Scans
und Bilder) und normalisiert sie via Claude KI in die einheitliche Template-Struktur. und Bilder) und normalisiert sie via Claude KI in die einheitliche Template-Struktur.
**Abhängigkeiten:** `extractor.py`, `normalizer.py` (müssen im gleichen Verzeichnis liegen) **Benötigt:** \`extractor.py\` und \`normalizer.py\` im gleichen Verzeichnis.
### Unterstützte Formate ### Unterstützte Formate
`.md` `.txt` `.pdf` `.docx` `.png` `.jpg` `.jpeg` `.tif` `.tiff` `.bmp` `.webp` \`.md\` \`.txt\` \`.pdf\` \`.docx\` \`.png\` \`.jpg\` \`.jpeg\` \`.tif\` \`.tiff\` \`.bmp\` \`.webp\`
### Voraussetzungen ### Voraussetzungen
```bash \`\`\`bash
# Tesseract (OCR, einmalig) # System-Tools (einmalig)
brew install tesseract tesseract-lang brew install tesseract tesseract-lang poppler
# Python-Pakete # Python-Pakete
pip install -r requirements.txt pip install -r requirements.txt
# .env konfigurieren # .env.ingest konfigurieren
cp .env.example .env cp .env.example .env.ingest
# ANTHROPIC_API_KEY eintragen nano .env.ingest # ANTHROPIC_API_KEY eintragen
``` \`\`\`
### Verwendung ### Verwendung
```bash \`\`\`bash
# Einzelne Datei (mit KI-Normalisierung) python ingest_V2.py file ~/Downloads/fremdes_cv.pdf
python ingest.py file ~/Downloads/fremdes_cv.pdf python ingest_V2.py file ~/Desktop/scan.png --dry-run
python ingest_V2.py file ~/templates/ausgefuellt/mein_cv.md --no-normalize
# Erst testen ohne DB-Speicherung python ingest_V2.py dir ~/Dokumente/bewerbungsunterlagen/ --force
python ingest.py file ~/Desktop/scan.png --dry-run python ingest_V2.py watch ~/Desktop/scan-eingang/
python ingest_V2.py list
# Ohne KI-Normalisierung (z.B. eigene fertige Templates) python ingest_V2.py delete "fremdes_cv.pdf"
python ingest.py file ~/templates/ausgefuellt/mein_cv.md --no-normalize \`\`\`
# Ganzes Verzeichnis
python ingest.py dir ~/Dokumente/bewerbungsunterlagen/ --force
# Ordner live beobachten (neue Dateien automatisch verarbeiten)
python ingest.py watch ~/Desktop/scan-eingang/
# DB-Inhalt anzeigen
python ingest.py list
# Dokument löschen
python ingest.py delete "fremdes_cv.pdf"
```
### Flags ### Flags
| Flag | Beschreibung | | Flag | Beschreibung |
|---|---| |---|---|
| `--force` | Bestehende Chunks überschreiben | | \`--force\` | Bestehende Chunks überschreiben |
| `--no-normalize` | KI-Normalisierung überspringen | | \`--no-normalize\` | KI-Normalisierung überspringen |
| `--dry-run` | Nur extrahieren + normalisieren, nicht speichern | | \`--dry-run\` | Nur extrahieren + normalisieren, nicht in DB speichern |
| `--quality-min 0.5` | Mindest-Qualitäts-Score (0.0–1.0) | | \`--quality-min 0.5\` | Mindest-Qualitäts-Score (0.0–1.0, Standard: 0.0) |
### KI-Normalisierung ### KI-Normalisierung (\`normalizer.py\`)
Erkennt den Dokumenttyp automatisch und transformiert den Inhalt in die passende - **Typ-Erkennung:** Claude Haiku (günstig + schnell)
Template-Struktur aus `templates/`. Nutzt die ausgefüllten Beispiele aus - **Transformation:** Claude Sonnet
`templates/ausgefuellt/` als Few-Shot-Referenz. - **Fehlende Felder** werden mit \`[FEHLT]\` markiert, nie halluziniert
- **Qualitäts-Score:** 0.0–1.0 (Anteil befüllter Pflichtfelder)
- Typ-Erkennung: Claude Haiku (günstig + schnell) Erkannte Typen: \`arbeitszeugnis\`, \`cv\`, \`lebenslauf\`, \`anschreiben\`,
- Transformation: Claude Sonnet \`projektbeschreibung\`, \`karriereziele\`, \`technologie\`, \`zertifikate\`,
- Fehlende Felder werden mit `[FEHLT]` markiert, nicht halluziniert \`referenzen\`, \`elevatorpitch\`, \`rahmenbedingungen\`, \`zielstellen\`
### OCR-Pipeline (\`extractor.py\`)
1. \`pypdf\` versucht Text zu extrahieren
2. Weniger als 150 Zeichen → OCR-Fallback via Tesseract (300 DPI)
3. Bilder (PNG, JPG etc.) → direkt OCR
--- ---
## Tool 2: `ingest_anythingllm.py` — Einfaches Ingestion-Script ## Tool 2: \`ingest_anythingllm.py\` — Einfaches Ingestion-Script (v1)
Schlankes Tool ohne OCR und ohne KI-Normalisierung. Direkte Übernahme von Schlankes Tool ohne OCR und ohne KI-Normalisierung. Geeignet für eigene,
MD/TXT/PDF-Dateien in die anythingllm-Datenbank auf dem Hetzner-Server. bereits fertig strukturierte Dokumente (z.B. ausgefüllte Templates).
Geeignet für: eigene, bereits fertig strukturierte Dokumente.
### Unterstützte Formate ### Unterstützte Formate
`.md` `.txt` `.pdf` \`.md\` \`.txt\` \`.pdf\`
### Voraussetzungen
```bash
pip install openai psycopg2-binary pgvector sshtunnel python-dotenv pypdf tiktoken sentence-transformers
cp .env.example .env
# OPENAI_API_KEY eintragen (wird nur für Client-Init benötigt, Embeddings laufen lokal)
```
### Verwendung ### Verwendung
```bash \`\`\`bash
# Einzelne Datei
python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md
# Mit --force (bestehende Chunks überschreiben)
python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md --force python ingest_anythingllm.py file ~/Dokumente/Lebenslauf.md --force
# Ganzes Verzeichnis
python ingest_anythingllm.py dir ~/Dokumente/bewerbung/ python ingest_anythingllm.py dir ~/Dokumente/bewerbung/
# DB-Inhalt anzeigen
python ingest_anythingllm.py list python ingest_anythingllm.py list
``` \`\`\`
--- ---
## Tool 3: `ingest_job_matching.py` — Job-Matching-Datenbank (NAS) ## Tool 3: \`ingest_job_matching.py\` — Job-Matching-Datenbank (NAS)
Importiert Dokumente direkt in die `job_matching`-Datenbank auf dem lokalen NAS Importiert Dokumente direkt in die \`job_matching\`-Datenbank auf dem lokalen NAS
(192.168.178.128, Port 5433). Kein SSH-Tunnel erforderlich. (192.168.178.128, Port 5433). Kein SSH-Tunnel erforderlich.
### Voraussetzungen Embeddings via OpenAI \`text-embedding-3-small\` (kostenpflichtig).
```bash
pip install -r requirements.txt
cp .env.job_matching .env.job_matching.local
# Werte in .env.job_matching.local anpassen
```
### Verwendung ### Verwendung
```bash \`\`\`bash
python ingest_job_matching.py file ~/Dokumente/stellenanzeige.pdf python ingest_job_matching.py file ~/Dokumente/stellenanzeige.pdf
python ingest_job_matching.py dir ~/Dokumente/stellen/ python ingest_job_matching.py dir ~/Dokumente/stellen/
python ingest_job_matching.py list python ingest_job_matching.py list
``` python ingest_job_matching.py clear "stellenanzeige.pdf"
\`\`\`
--- ---
## Gemeinsame Infrastruktur ## Gemeinsame Infrastruktur
### Embedding-Modell ### Embedding-Modelle
Alle Tools verwenden `intfloat/multilingual-e5-small` (384 Dimensionen) lokal. | Tool | Modell | Dimensionen | Kosten |
Wird beim ersten Aufruf automatisch heruntergeladen (~120 MB). |---|---|---|---|
| \`ingest_V2.py\` | multilingual-e5-small (lokal) | 384 | kostenlos |
### Templates | \`ingest_anythingllm.py\` | multilingual-e5-small (lokal) | 384 | kostenlos |
| \`ingest_job_matching.py\` | OpenAI text-embedding-3-small | 1536 | kostenpflichtig |
```
templates/
├── *_TEMPLATE.md Ziel-Strukturvorlagen (leer)
└── ausgefuellt/ Ausgefüllte Referenzbeispiele (für KI-Few-Shot)
```
### Umgebungsvariablen ### Umgebungsvariablen
| Datei | Verwendet von | | Datei | Verwendet von | Inhalt |
|---|---| |---|---|---|
| `.env` | `ingest.py`, `ingest_anythingllm.py` | | \`.env.ingest\` | \`ingest_V2.py\`, \`ingest_anythingllm.py\` | ANTHROPIC_API_KEY, SSH, DB |
| `.env.job_matching` | `ingest_job_matching.py` | | \`.env.job_matching\` | \`ingest_job_matching.py\` | OPENAI_API_KEY, NAS-DB |
--- ---
## Setup (komplett, einmalig) ## Setup (komplett, einmalig)
```bash \`\`\`bash
cd ~/Projekte/rag-ingestion cd ~/Projekte/rag-ingestion
python3 -m venv venv python3 -m venv venv
source venv/bin/activate source venv/bin/activate
pip install -r requirements.txt pip install -r requirements.txt
brew install tesseract tesseract-lang # nur für ingest.py (OCR) brew install tesseract tesseract-lang poppler # nur für ingest_V2.py
cp .env.example .env cp .env.example .env.ingest
nano .env # API-Keys + DB-Zugangsdaten eintragen nano .env.ingest # ANTHROPIC_API_KEY + SSH + DB-Zugangsdaten eintragen
``` \`\`\`