Semantica · 第 2 章 管线前段：摄入与解析

Semantica · 第 2 章 管线前段：摄入与解析

章节摘要：本章装配管线第①②段（ingest 摄入、parse+normalize 解析归一），并预装第③段的分块半段（split）：让 25+ 种异构数据源变成统一、干净、按策略切好的文本块——管线前段的使命是“喂对料”，为第 3 章的语义抽取备好原料。

装配坐标

学习目标

• 用 ingest 把文件/网页/数据库/Snowflake/Databricks/Kafka/邮件/Git/MCP 等数据源接进统一入口
• 区分 parse 的五类解析器（文档/结构化/代码/网页/邮件）各自的适用场景
• 说清 normalize 对文本/实体/日期/数字的归一化策略及其对下游抽取质量的影响
• 掌握 split 的 13 种 GraphRAG 原生分块策略，理解 entity_aware/graph_based 为何“图原生”
• 动手跑一条 ingest→parse→split 微管线，观察每一步中间产物的形态变化

子章节导航

01 ingest：25+ 数据源接入

统一摄入接口如何屏蔽文件、网页、数据库、Snowflake/Databricks、Kafka、邮件、Git、MCP 的差异。

02 parse 与 normalize：五类解析器与归一

文档/结构化/代码/网页/邮件五类解析器；文本、实体、日期、数字四类归一化。

03 split：13 种 GraphRAG 原生分块

entity_aware/relation_aware/graph_based/ontology_aware 等 13 种策略——分块即注入图结构先验。

前置知识与后续延伸

前置：第 1 章（编排器与八段管线总览），知道如何用 Semantica 编排器起一条管线即可。
后续：第 3 章把分好的块送进 semantic_extract 做语义抽取；关心多源数据打架的可先跳第 4 章。