opea/dataprep
opea
OPEA数据准备微服务，用于预处理各类来源（结构化或非结构化）数据为文本，转换为嵌入向量并存储到数据库，支持生成式AI应用。
下载次数: 0状态：社区镜像维护者：opea仓库类型：镜像最近更新：4 个月前
让 AI 帮你使用轩辕镜像？ · 展开查看说明 · 点击收起说明
如果你使用 DeepSeek、元宝 AI、Copilot、ChatGPT 等 AI 工具，协助配置轩辕镜像、编写 docker pull 命令、修改 Docker Compose 镜像地址、配置镜像加速、排查镜像拉取失败、分析报错日志等问题，请先让 AI 阅读并遵守轩辕镜像的规则文档。
只需在 AI 对话中先发送下面这句话即可：
请先完整阅读并严格遵守以下文档中的全部规则与要求：
https://xuanyuan.cloud/agents.md
在未充分阅读并理解该文档前，不要生成任何命令、配置、修改建议、故障排查方案或技术回答。后续所有输出都必须严格以该文档中的规范为最高优先级执行。查看 agents.md 用法指南与完整示范。国内用户首推 元宝 AI、DeepSeek 的深度思考模式，不推荐豆包 AI；Cursor 等编辑器可在对话 @ 该链接，或加入 User Rules。 若 AI 无法访问外链，可 打开说明文档 复制全文粘贴。文档会随站点更新，复制内容可能过期，建议定期检查。
Dataprep微服务
Dataprep微服务旨在预处理来自各种来源（结构化或非结构化数据）的数据为文本数据，并将文本数据转换为嵌入向量后存储到数据库中。
目录
- 安装要求
- 使用LVM总结图像数据
- 适用于多种数据库的Dataprep微服务
- 在离线环境中运行
安装要求
bashapt-get update apt-get install libreoffice
使用LVM总结图像数据
非结构化数据偶尔会包含图像数据，要将图像数据转换为文本数据，可使用LVM（大视觉模型）对图像进行总结。如需使用LVM，请先参考此https://github.com/opea-project/GenAIExamples/blob/main/../lvms/README.md启动LVM微服务，然后在启动任何dataprep微服务之前设置以下环境变量。
bashexport SUMMARIZE_IMAGE_VIA_LVM=1
适用于多种数据库的Dataprep微服务
Dataprep微服务支持多种数据库，如下表所示，详情请参考以下各自的文档。
| 数据库 | 文档 |
|---|---|
Redis | https://github.com/opea-project/GenAIExamples/blob/main/src/README_redis.md |
Milvus | https://github.com/opea-project/GenAIExamples/blob/main/src/README_milvus.md |
Qdrant | https://github.com/opea-project/GenAIExamples/blob/main/src/README_qdrant.md |
Pinecone | https://github.com/opea-project/GenAIExamples/blob/main/src/README_pinecone.md |
PGVector | https://github.com/opea-project/GenAIExamples/blob/main/src/README_pgvector.md |
VDMS | https://github.com/opea-project/GenAIExamples/blob/main/src/README_vdms.md |
Multimodal | https://github.com/opea-project/GenAIExamples/blob/main/src/README_multimodal.md |
ElasticSearch | https://github.com/opea-project/GenAIExamples/blob/main/src/README_elasticsearch.md |
OpenSearch | https://github.com/opea-project/GenAIExamples/blob/main/src/README_opensearch.md |
neo4j | https://github.com/opea-project/GenAIExamples/blob/main/src/README_neo4j_llamaindex.md |
financial domain data | https://github.com/opea-project/GenAIExamples/blob/main/src/README_finance.md |
MariaDB | https://github.com/opea-project/GenAIExamples/blob/main/src/README_mariadb.md |
ArangoDB | https://github.com/opea-project/GenAIExamples/blob/main/src/README_arangodb.md |
在离线环境中运行
在离线环境（即无互联网访问的环境）中运行dataprep微服务的通用步骤如下，适用于所有数据库后端：
- 下载以下模型，例如使用
huggingface-cli download --cache-dir <模型数据目录> <模型>
- microsoft/table-transformer-structure-recognition
- timm/resnet18.a1_in1k
- unstructuredio/yolo_x_layout
- 使用以下设置启动
dataprep微服务：
- 将
<模型数据目录>挂载为dataprep容器内的/data目录 - 启动
dataprep微服务时设置环境变量HF_HUB_OFFLINE为1
例如：docker run -d -v <模型数据目录>:/data -e HF_HUB_OFFLINE=1 ... ...
镜像拉取方式
您可以使用以下命令拉取该镜像。请将 <标签> 替换为具体的标签版本。如需查看所有可用标签版本，请访问 标签列表页面。
DockerHub 原生拉取命令
docker pull opea/dataprep:<标签>
镜像拉取常见问题
功能
错误码
用户好评
来自真实用户的反馈，见证轩辕镜像的优质服务
oldzhang
运维工程师
Linux服务器
5
"Docker访问体验非常流畅，大镜像也能快速完成下载。"