openingestion 0.1.2

RAG ingestion pipeline — Chef → Chunker → Refinery → Porter

openingestion

Pipeline d'ingestion RAG au-dessus de MinerU / Docling.

Fetcher → Chef → Chunker → Refinery → Porter

Installation

1. Cloner et installer en mode éditable

git clone <repo-url>
cd openingestion
pip install -e .

L'installation éditable (-e) est obligatoire pour que les imports from openingestion import … se résolvent correctement depuis les scripts et notebooks, car la racine du dépôt est le package Python.

1bis. Setup Windows / PowerShell

Le projet demande Python >= 3.10. Sur Windows, un setup simple ressemble à :

py -3.14 -m venv .venv
. .\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -e .

Pour un premier run CPU sans GPU, ajoutez Docling :

python -m pip install -e ".[docling]"

2. Extras optionnels

# Parser MinerU (GPU recommandé)
pip install -e ".[mineru]"

# Parser Docling (CPU, pas de GPU nécessaire)
pip install -e ".[docling]"

# Chunking sémantique (sentence-transformers + scipy)
pip install -e ".[semantic]"

# Chunking LLM-guidé SlumberChunker + OpenAIGenie
pip install -e ".[slumber]"

# Tokenizer OpenAI exact (cl100k_base, o200k_base…)
pip install -e ".[tiktoken]"

# Tokenizer HuggingFace rapide (Rust, BPE/WordPiece…)
pip install -e ".[hf-tokenizers]"

# AutoTokenizer HuggingFace (transformers complet)
pip install -e ".[transformers]"

# Tout à la fois
pip install -e ".[mineru,docling,semantic,slumber,tiktoken]"

Utilisation rapide

from openingestion import ingest

# Depuis un PDF brut (MinerU tourne en arrière-plan)
chunks = ingest("rapport.pdf")

# Depuis un répertoire de sortie MinerU existant (pas de re-parsing)
chunks = ingest("./output/rapport/auto/")

# Avec Docling (CPU, pas de GPU)
chunks = ingest("rapport.pdf", parser="docling", strategy="by_token")

# Format LangChain
docs = ingest("rapport.pdf", output_format="langchain")

Architecture

Étape	Classe	Rôle
Chef	MinerUChef, DoclingChef	Parse le document → ContentBlock[]
Chunker	TokenChunker, SentenceChunker, SemanticChunker…	Groupe les blocs → RagChunk[]
Refinery	RagRefinery, ContextualRagRefinery	Enrichit les chunks (tokens, hash, images, contexte LLM)
Porter	JSONPorter, to_langchain, to_llamaindex	Exporte vers le format cible

Voir specv3.md pour les spécifications techniques détaillées.