API Reference

API Reference

EvidenceChunker

evidence_chunker.EvidenceChunker — PDF → Evidence Unit 파이프라인의 메인 진입점.

EvidenceChunker(
    parser: PdfParser | None = None,
    artifacts_path: str | None = None,
    bbox_threshold: float = 300.0,
    sim_threshold: float = 0.0,
)

파라미터	타입	설명
parser	PdfParser | None	parse(path) -> ParsedDoc 구현체. None이면 기본 DoclingParser 사용. 주입 시 chunk()만 교체 가능(build_corpus()는 미지원)
artifacts_path	str | None	Docling 로컬 모델 경로. parser 직접 주입 시 무시됨
bbox_threshold	float	표 위/아래 단락 수집 범위(pt). 기본 300.0
sim_threshold	float	문맥 단락 채택 코사인 유사도 임계값. 기본 0.0(사실상 무필터, 임베딩 모델 미로드)

메서드

메서드	반환 타입	설명
chunk(pdf_path, doc_id=None)	list[EvidenceUnit]	PDF에서 표(Evidence Unit)만 추출. 512토큰 초과 EU는 행 단위로 분할된 상태로 반환
build_corpus(pdf_path, doc_id=None)	list[RetrievalChunk]	표(EU) + 일반 본문(TextChunk)을 합친 검색 코퍼스. 커스텀 parser 주입 시 NotImplementedError

EvidenceUnit

evidence_chunker.EvidenceUnit — 표 하나를 표현하는 검색 단위 dataclass.

주요 필드

필드	타입	설명
eu_id	str	"{doc_id}-p{page}-{idx}" 형식 식별자. 분할 조각은 f"{eu_id}-s{n}"
page_no	int	표 자신의 페이지
page_span	set[int]	표+채택된 문맥 단락이 걸친 모든 페이지
caption_text	str | None	연결된 캡션 원문
caption_confidence	"direct" | "inferred" | "none"	캡션 연결 신뢰도
table_html	str | None	표 HTML (Docling export_to_html() 결과)
context_before / context_after	list[str]	표 위/아래 채택된 설명 단락
flattened_rows	list[str]	셀 데이터를 "행헤더 | 열헤더: 값" 문장으로 변환한 목록
table_abstract	str | None	규칙 기반 표 요약(캡션+열헤더+행 수)
bbox	tuple[float, float, float, float]	0~1 정규화 BOTTOMLEFT 좌표
is_split / split_index / total_splits	bool / int | None / int | None	분할 여부와 조각 정보

Property (자동 계산, 직접 대입 금지)

Property	반환 타입	설명
text	str	LLM 컨텍스트용 전체 텍스트. table_html 포함
retrieval_text	str	임베딩/검색용. table_html 제외 (대신 flattened_rows 사용)
retrieval_units	list[str]	표 요약 + 문단/행/각주를 개별 단위로 쪼갠 목록 (small-to-big 패턴용)
chunk_id	str	eu_id와 동일. export.RetrievalChunk 프로토콜 구현
is_atomic	bool	항상 False (retrieval_units로 쪼갤 수 있는 대상이라는 뜻)
metadata	dict	LangChain/LlamaIndex 문서 메타데이터 (chunk_id, eu_id, page_span, caption_text 등)
safe_caption	str | None	캡션이 Fig/Figure/그림으로 시작하면 None (그림 캡션이 표 캡션으로 오인된 경우 방어)

retrieval_text vs text

상황	쓸 것
벡터스토어에 임베딩할 때	retrieval_text (HTML 노이즈 없음, 토큰 절약)
검색된 EU를 LLM 컨텍스트로 넘길 때	text (표 구조를 HTML로 보존)

to_langchain()은 기본으로 page_content=eu.text를 사용한다.

편의를 위한 기본값이며, 검색 정확도를 최대화하려면 벡터스토어 구성 시 page_content=eu.retrieval_text로 직접 바꿔 사용하는 것을 권장한다.

evidence_chunker.export.langchain

함수/클래스	시그니처	설명
to_langchain	(chunks: list[RetrievalChunk]) -> list[Document]	1 chunk = 1 Document. page_content=c.text
to_langchain_units	(chunks: list[RetrievalChunk]) -> list[Document]	small-to-big. is_atomic=False인 chunk만 retrieval_units 단위로 쪼갬
dedupe_by_chunk_id	(results, k=None, key="chunk_id") -> list	정렬된 검색 결과에서 같은 chunk_id끼리 첫 등장(=최고 점수)만 남김
EvidenceRetriever	(vectorstore, k=5, fetch_k=None, dedupe=True)	max-pool dedupe가 기본 적용된 검색 래퍼. get_relevant_documents(query) / invoke(query) 제공

EvidenceRetriever는 vectorstore.similarity_search_with_score(query, k=fetch_k)를 지원하는 LangChain VectorStore가 필요하다. fetch_k 기본값은 max(k*4, 20).

evidence_chunker.export.llamaindex

export.langchain과 동일한 함수 구성(to_llamaindex, to_llamaindex_units, dedupe_by_chunk_id, EvidenceRetriever)을 LlamaIndex TextNode/retriever 기준으로 제공한다. EvidenceRetriever(base_retriever, k=5, dedupe=True)는 .retrieve(query)를 제공하는 LlamaIndex retriever를 감싼다.

evidence_chunker.export (공통)

함수/클래스	설명
RetrievalChunk (Protocol)	chunk_id/is_atomic/text/retrieval_text/retrieval_units/metadata 속성 계약. EvidenceUnit과 TextChunk 둘 다 만족
TextChunk	Docling HybridChunker가 만든 일반 본문 청크를 RetrievalChunk 프로토콜로 감싼 래퍼. is_atomic=True
filter_consumed_paragraphs(chunks, eu_list, min_substring_len=20)	EU가 이미 흡수한 문단과 겹치는 일반 청크 제거 (카니발라이제이션 방지)

evidence_chunker.split

함수	시그니처	설명
split_eu	(eu, limit=SPLIT_LIMIT) -> SplitResult	EU 하나를 토큰 한도에 맞춰 분할. 전략: single / row_split / llm_summary
split_oversized_units	(eu_list, stats=None) -> list[EvidenceUnit]	한도 초과 EU 전체를 일괄 분할

evidence_chunker.tokens

함수	설명
count_tokens(text)	tiktoken(cl100k_base) 기준 토큰 수
count_eu_tokens(eu)	eu.text 기준 토큰 수
exceeds_token_limit(eu, limit=DEFAULT_TOKEN_LIMIT)	한도 초과 여부
DEFAULT_TOKEN_LIMIT	512