129 lines
4.7 KiB
Python
129 lines
4.7 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
index.py — indexation hybride des mini‑fiches
|
||
===========================================
|
||
|
||
• 1 fichier = 1 passage **si** le fichier ≤ WORD_LIMIT mots (par défaut : 600).
|
||
• Au‑delà (rare : fiche ICS, ISG, etc.), on découpe en blocs ~CHUNK mots
|
||
avec chevauchement OVERLAP pour isoler les tableaux et valeurs numériques.
|
||
• Incrémental : encode uniquement les fichiers nouveaux ou modifiés.
|
||
• Embeddings : BGE‑M3 (FlagEmbedding) en CPU, normalisés L2.
|
||
|
||
Usage :
|
||
python index.py --root Corpus # première construction
|
||
python index.py # relance rapide (0 s si rien)
|
||
|
||
Arguments :
|
||
--root dossier des fiches (déf. Corpus)
|
||
--index nom du fichier FAISS (déf. corpus.idx)
|
||
--meta fichier méta JSON (déf. corpus.meta.json)
|
||
--word WORD_LIMIT (déf. 600)
|
||
--chunk CHUNK (déf. 350)
|
||
"""
|
||
|
||
import argparse, json, re, sys
|
||
from pathlib import Path
|
||
import faiss, numpy as np
|
||
from FlagEmbedding import BGEM3FlagModel
|
||
from rich import print
|
||
|
||
# --------------------- CLI --------------------------------------------------
|
||
parser = argparse.ArgumentParser(description="Indexation hybride : 1 passage par fiche courte, découpe douce pour les longues.")
|
||
parser.add_argument("--root", default="Corpus", help="Répertoire racine des fiches")
|
||
parser.add_argument("--index", default="corpus.idx", help="Nom du fichier FAISS")
|
||
parser.add_argument("--meta", default="corpus.meta.json", help="Nom du méta JSON")
|
||
parser.add_argument("--word", type=int, default=600, help="WORD_LIMIT : au‑delà on découpe (mots)")
|
||
parser.add_argument("--chunk", type=int, default=350, help="Taille des chunks quand on découpe (mots)")
|
||
args = parser.parse_args()
|
||
|
||
ROOT = Path(args.root)
|
||
INDEX_F = Path(args.index)
|
||
META_F = Path(args.meta)
|
||
WORD_LIMIT= args.word
|
||
CHUNK = args.chunk
|
||
OVERLAP = 50
|
||
EXTS = {".md", ".markdown", ".txt"}
|
||
|
||
print(f"[dim]Racine : {ROOT} | Index : {INDEX_F}[/]")
|
||
|
||
# ---------------- split helper --------------------------------------------
|
||
def split_long(text: str):
|
||
"""Découpe douce : blocs ~CHUNK mots, préserve tableaux."""
|
||
sentences = re.split(r"(?<=[.!?])\s+", text)
|
||
chunks, buf = [], []
|
||
for s in sentences:
|
||
if "|" in s or re.fullmatch(r"\s*-{3,}\s*", s):
|
||
if buf:
|
||
chunks.append(" ".join(buf))
|
||
buf = []
|
||
chunks.append(s)
|
||
continue
|
||
buf.append(s)
|
||
if len(" ".join(buf).split()) >= CHUNK:
|
||
chunks.append(" ".join(buf))
|
||
buf = buf[-OVERLAP:]
|
||
if buf:
|
||
chunks.append(" ".join(buf))
|
||
return chunks
|
||
|
||
# ------------------------ lire méta existant ------------------------------
|
||
old_meta = {}
|
||
if INDEX_F.exists() and META_F.exists():
|
||
try:
|
||
for m in json.load(META_F.open()):
|
||
old_meta[m["path"]] = m
|
||
except Exception as e:
|
||
print(f"[yellow]Avertissement : méta illisible ({e}), reconstruction complète.[/]")
|
||
old_meta = {}
|
||
|
||
# ------------------------ scanner les fichiers ----------------------------
|
||
files = [fp for fp in ROOT.rglob("*") if fp.suffix.lower() in EXTS]
|
||
files.sort()
|
||
|
||
new_docs, new_meta, kept_meta = [], [], []
|
||
|
||
for fp in files:
|
||
rel = str(fp.relative_to(ROOT))
|
||
mtime = int(fp.stat().st_mtime)
|
||
prev = old_meta.get(rel)
|
||
if prev and prev["mtime"] == mtime:
|
||
kept_meta.append(prev)
|
||
continue
|
||
|
||
txt = fp.read_text(encoding="utf-8")
|
||
words = len(txt.split())
|
||
if words <= WORD_LIMIT:
|
||
new_docs.append(txt)
|
||
new_meta.append({"path": rel, "part": 0, "mtime": mtime})
|
||
else:
|
||
for i, chunk in enumerate(split_long(txt)):
|
||
new_docs.append(chunk)
|
||
new_meta.append({"path": rel, "part": i, "mtime": mtime})
|
||
|
||
print(f"Nouveaux/Modifiés : {len(new_meta)} | Conservés : {len(kept_meta)}")
|
||
if not new_meta and INDEX_F.exists():
|
||
print("Index déjà à jour ✔︎")
|
||
sys.exit(0)
|
||
|
||
# ------------------------ embeddings --------------------------------------
|
||
model = BGEM3FlagModel("BAAI/bge-m3", device="cpu")
|
||
emb = model.encode(new_docs)
|
||
if isinstance(emb, dict):
|
||
emb = next(v for v in emb.values() if isinstance(v, np.ndarray))
|
||
emb = emb / np.linalg.norm(emb, axis=1, keepdims=True)
|
||
emb = emb.astype("float32")
|
||
|
||
# ------------------------ FAISS update ------------------------------------
|
||
if INDEX_F.exists():
|
||
idx = faiss.read_index(str(INDEX_F))
|
||
else:
|
||
idx = faiss.IndexFlatIP(emb.shape[1])
|
||
|
||
idx.add(emb)
|
||
faiss.write_index(idx, str(INDEX_F))
|
||
|
||
# ------------------------ save meta ---------------------------------------
|
||
all_meta = kept_meta + new_meta
|
||
json.dump(all_meta, META_F.open("w"), ensure_ascii=False, indent=2)
|
||
print(f"Index mis à jour ✔︎ | Total passages : {idx.ntotal}")
|