documentgraph 0.1.0

A document analysis pipeline

DocumentGraph

DocumentGraph es una herramienta de análisis de documentos que utiliza técnicas de procesamiento de lenguaje natural y grafos de conocimiento para extraer información valiosa de tus documentos.

Características

• Extracción de documentos solo .txt
• Preprocesamiento de texto
• Generación de embeddings para chunks de texto
• Extracción de entidades y relaciones
• Carga de datos en un grafo de conocimiento

Instalación

pip install documentgraph

Uso

from documentgraph import DocumentAnalysisPipeline, ETLConfig

# Configurar el pipeline
etl_config = ETLConfig()
pipeline = DocumentAnalysisPipeline(etl_config)

# Ejecutar el pipeline
pipeline.execute_pipeline("ruta/a/tus/documentos")

Estructura del Proyecto

• src/: Contiene el código fuente del proyecto
• extraction.py: Módulo para la extracción de documentos
• models.py: Definiciones de modelos de datos
• transformation.py: Módulos para el procesamiento de texto, generación de embeddings y extracción de entidades/relaciones
• loading.py: Módulo para cargar datos en el grafo de conocimiento
• config.py: Configuración del pipeline ETL
• main.py: Punto de entrada principal y definición del pipeline

Configuración

La configuración del pipeline se realiza a través de la clase ETLConfig. Asegúrate de configurar correctamente los parámetros antes de ejecutar el pipeline.

Contribuir

Las contribuciones son bienvenidas. Por favor, abre un issue para discutir los cambios propuestos antes de enviar un pull request.

Licencia

Este proyecto está licenciado bajo la Licencia Apache 2.0. Consulta el archivo LICENSE para más detalles.