跳到主要内容
Open In ColabOpen on GitHub

如何按字符递归分割文本

这种文本分割器是通用文本推荐的。它由一个字符列表参数化。它会尝试按顺序使用这些字符进行分割，直到块足够小。默认列表是 ["\n\n", "\n", " ", ""]。这样做的好处是尽可能地保持所有段落（然后是句子，再然后是单词）的完整性，因为这些通常在语义上是关联最强的文本片段。

  1. 文本如何分割：通过字符列表。
  2. 块大小如何衡量：按字符数。

下面展示示例用法。

要直接获取字符串内容，请使用 .split_text。

要创建朗链 Document 对象（例如，用于下游任务），请使用 .create_documents。

%pip install -qU langchain-text-splitters
from langchain_text_splitters import RecursiveCharacterTextSplitter

# Load example document
with open("state_of_the_union.txt") as f:
    state_of_the_union = f.read()

text_splitter = RecursiveCharacterTextSplitter(
    # Set a really small chunk size, just to show.
    chunk_size=100,
    chunk_overlap=20,
    length_function=len,
    is_separator_regex=False,
)
texts = text_splitter.create_documents([state_of_the_union])
print(texts[0])
print(texts[1])
page_content='Madam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and'
page_content='of Congress and the Cabinet. Justices of the Supreme Court. My fellow Americans.'
text_splitter.split_text(state_of_the_union)[:2]
['Madam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and',
 'of Congress and the Cabinet. Justices of the Supreme Court. My fellow Americans.']

让我们回顾一下上面为 RecursiveCharacterTextSplitter 设置的参数。

  • chunk_size：块的最大大小，其大小由 length_function 决定。
  • chunk_overlap：块之间的目标重叠量。重叠的块有助于在上下文被分割成多个块时减少信息丢失。
  • length_function：决定块大小的函数。
  • is_separator_regex：分隔符列表（默认为 ["\n\n", "\n", " ", ""]）是否应被解释为正则表达式。

分割不含词边界的语言文本​

一些书写系统没有词边界，例如中文、日文和泰文。使用默认分隔符列表 ["\n\n", "\n", " ", ""] 分割文本可能会导致单词在块之间被分割。为了保持单词的完整性，您可以覆盖分隔符列表以包含额外的标点符号。

  • 添加 ASCII 句号 "."、Unicode 全角句号 "．"（中文文本中使用）和表意文字句号 "。"（日文和中文中使用）。
  • 添加在泰语、缅甸语、高棉语和日语中使用的零宽度空格。
  • 添加 ASCII 逗号 ","、Unicode 全角逗号 "，" 和 Unicode 表意文字逗号 "、"
text_splitter = RecursiveCharacterTextSplitter(
    separators=[
        "\n\n",
        "\n",
        " ",
        ".",
        ",",
        "\u200b",  # Zero-width space
        "\uff0c",  # Fullwidth comma
        "\u3001",  # Ideographic comma
        "\uff0e",  # Fullwidth full stop
        "\u3002",  # Ideographic full stop
        "",
    ],
    # Existing args
)