Skip to content

Kapitel 5: PDF-Inventarisierung und Vorverarbeitungsschicht#12

Open
DYsop wants to merge 21 commits into
mainfrom
feature/chapter-05-inventory
Open

Kapitel 5: PDF-Inventarisierung und Vorverarbeitungsschicht#12
DYsop wants to merge 21 commits into
mainfrom
feature/chapter-05-inventory

Conversation

@DYsop

@DYsop DYsop commented Jun 30, 2026

Copy link
Copy Markdown
Owner

Beschreibung

Integriert die vorgelagerte Vorverarbeitungsschicht (Kapitel 5) des RAG-Frameworks:
PDF-Inventarisierung, Metadatenextraktion (Docling + pypdf-Fallback),
Dokumentklassifikation, Qualitaetssicherung (Quality Gate) sowie Export von
Inventar und Abbildungen. Ergebnis ist ein geprueftes, versionierbares
Dokumentinventar als Eingabe fuer die semantische Ingestion (Kapitel 6).

Bezug

  • Kapitel 5 – Datenbasis und Vorverarbeitung
  • Kapitel 11 – Evaluation (Ground-Truth-Abgleich)

Art der Aenderung

  • Dokumentation
  • Code (Feature)
  • Konfiguration

Enthaltene Aenderungen

Python-Module (src/rag_framework/ingestion/): pdf_discovery.py,
metadata_extraction.py, document_classification.py, quality_gate.py,
inventory_export.py, figure_export.py, plus erweiterte __init__.py.

Konfiguration: configs/inventory_config.yaml.

Dokumentation: notebooks/README.md, docs/chapter_05/README.md,
docs/chapter_05/inventory_schema.md, docs/results/ (README + latest + runs),
data/README.md, data/samples/ (README + sample_inventory.csv).

Aktualisiert: .gitignore, requirements.txt, Root README.md.

Git-Policy

Das Repository versioniert die reproduzierbare Methode, nicht den vollstaendigen
Datenkoerper. Roh-PDFs und das vollstaendige Inventar (CSV/XLSX/Parquet) werden
nicht versioniert.

Noch lokal nachzutragen (Binaerartefakte)

  • 7 Grafiken nach docs/results/runs/20260630_233607/figures/
  • 5 ausgewaehlte Grafiken nach docs/results/latest/figures/
  • Reports (run_metadata, evaluation_report, inventory_errors) nach latest/ und runs/
  • Notebook umbenennen: 00_extract_pdf_metadata_v4_revised.ipynb -> 00_pdf_inventory_and_metadata.ipynb (mit Einleitung, Output-Bereinigung)
  • sample_inventory.csv mit echten anonymisierten Zeilen ersetzen (Template ist Platzhalter)

@vercel

vercel Bot commented Jun 30, 2026

Copy link
Copy Markdown

The latest updates on your projects. Learn more about Vercel for GitHub.

Project Deployment Actions Updated (UTC)
rag-framework Ready Ready Preview, Comment Jun 30, 2026 10:50pm

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

1 participant