### 使用 Python 处理 Markdown 文件并存储至 Qdrant 为了实现这一目标，可以按照如下方式构建解决方案： #### 准备工作 首先需要安装必要的库来处理Markdown文件以及连接Qdrant数据库。 ```bash pip install markdown mdpatterns qdrant-client sentence-splitter ``` 这些工具可以帮助解析Markdown语法结构，并提供与Qdrant交互的能力[^1]。 #### 解析 Markdown 文档 利用 `markdown` 库将Markdown文本转换成HTML格式，再通过正则表达式或其他方法进一步分析段落和句子边界。对于更复杂的场景，还可以考虑使用专门用于识别自然语言模式的包如 `mdpatterns` 来提高准确性。 ```python import markdown from mdpatterns import split_into_paragraphs, split_sentences def parse_md(file_path): with open(file_path, 'r', encoding='utf-8') as file: content = file.read() html_content = markdown.markdown(content) paragraphs = split_into_paragraphs(html_content) sentences_dict = {} for idx, paragraph in enumerate(paragraphs): sentences = split_sentences(paragraph) sentences_dict[idx] = sentences return sentences_dict ``` 此函数会返回一个字典对象，其中键表示段落索引而值则是该段落内的所有句子列表[^2]。 #### 存储数据到 Qdrant 创建一个新的集合用来保存来自Markdown文档的信息。每条记录应至少包含三个字段：原始段落ID、句子位置及其具体内容。这样可以在后续查询时重建完整的上下文关系。 ```python from qdrant_client import QdrantClient from qdrant_client.http.models import PointStruct client = QdrantClient("http://localhost:6333") collection_name = "markdown_documents" if not client.get_collection(collection_name).ok: client.create_collection( collection_name=collection_name, vector_size=768, # 假设我们使用预训练模型生成固定长度向量作为特征描述子 distance="Cosine", ) parsed_data = parse_md("./example.md") for para_id, sentences in parsed_data.items(): points = [ PointStruct(id=f"{para_id}_{i}", payload={"text": sent}, vector=[0]*768) for i, sent in enumerate(sentences) ] client.upsert_points(collection_name=collection_name, wait=True, points=points) ``` 上述代码片段展示了如何批量上传经过处理后的句子进入指定的Qdrant集合中。注意这里假设了一个简单的零初始化向量；实际应用中应当替换为有意义的内容嵌入[^3]。