ChromaDB配置：如何设置每页一个ID以支持按文件名删除文件

要实现「每页对应一个标识（方便按文件名批量删除）」的需求，你需要调整文档加载、分块和入库的逻辑，核心是给每个分块绑定文件名+页码的元数据，同时可自定义分块ID来关联所属页面。以下是修改后的代码：

1. 调整文档加载与分块逻辑 #

修改load_documents函数，确保按页加载PDF，并给每个页面（及后续分块）添加文件名和页码元数据：

def load_documents():
    docs = []
    for file in os.listdir(FOLDER_PATH):
        if file.endswith('.pdf'):
            pdf_path = FOLDER_PATH + "/" + file
            # 按页加载PDF，每个页面生成一个Document对象
            loader = UnstructuredLoader(pdf_path, mode="pages")
            page_docs = loader.load()
            # 给每个页面添加文件名元数据
            for doc in page_docs:
                doc.metadata["filename"] = file
                # UnstructuredLoader默认会给页面添加page_number元数据，无需额外处理
            docs.extend(page_docs)
    docs = filter_complex_metadata(docs)
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=800, chunk_overlap=200)
    # 分块时会自动继承原页面的元数据（filename、page_number）
    chunks = text_splitter.split_documents(docs)
    return chunks

2. 自定义分块ID（可选） #

如果希望每个页面的分块都关联到同一个页面级标识，可以给每个分块生成包含文件名+页码的唯一ID：

def populate_database(docs):
    db = Chroma(persist_directory=CHROMA_PATH, embedding_function=OllamaEmbeddings(model=embed_model))
    # 为每个分块生成自定义ID
    ids = []
    for idx, doc in enumerate(docs):
        filename = doc.metadata.get("filename", "unknown")
        page_num = doc.metadata.get("page_number", 0)
        # 生成唯一ID，格式：文件名_页码_分块序号
        chunk_id = f"{filename}_page_{page_num}_chunk_{idx}"
        ids.append(chunk_id)
    # 带自定义ID入库
    db.add_documents(docs, ids=ids)
    return db

3. 按文件名批量删除 #

现在可以通过文件名过滤，删除该文件对应的所有分块：

def delete_by_filename(filename):
    db = Chroma(persist_directory=CHROMA_PATH, embedding_function=OllamaEmbeddings(model=embed_model))
    # 按filename元数据过滤删除
    db.delete(where={"filename": filename})

关键说明 #

• 用mode="pages"加载PDF时，UnstructuredLoader会自动给每个页面添加page_number元数据，结合手动添加的filename，可以精准定位每个分块的来源。
• Chroma要求每个document（分块）必须有唯一ID，因此无法让多个分块共用同一个页面ID，但通过自定义ID和元数据，可以实现按页面或文件名的批量管理。
• 删除时使用where参数过滤元数据，无需手动维护ID列表，更灵活可靠。

内容的提问来源于stack exchange，提问作者user27852598