如何通过字符递归拆分文本

这个文本拆分器是通用文本的推荐选择。它通过字符列表进行参数化。它尝试按顺序拆分它们，直到块足够小。默认列表是 ["\n\n", "\n", " ", ""]。这具有尽可能将所有段落（然后是句子，然后是单词）保持在一起的效果，因为这些通常看起来是语义上最相关的文本片段。

文本如何拆分：通过字符列表。
块大小如何测量：通过字符数。

下面我们展示示例用法。

要直接获取字符串内容，请使用 .split_text。

要创建 LangChain 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])

API 参考：RecursiveCharacterTextSplitter

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，其中大小由 length_function 确定。
chunk_overlap：块之间的目标重叠。重叠块有助于减轻上下文在块之间划分时信息丢失。
length_function：确定块大小的函数。
is_separator_regex：分隔符列表（默认为 ["\n\n", "\n", " ", ""]）是否应解释为正则表达式。

从没有词界符的语言拆分文本

一些书写系统没有词界符，例如中文、日语和泰语。使用默认分隔符列表 ["\n\n", "\n", " ", ""] 拆分文本可能会导致单词在块之间被拆分。为了保持单词完整，您可以覆盖分隔符列表以包含其他标点符号

添加 ASCII 句点“.”，Unicode 全角句点“．”（用于中文文本）和表意文字句点 “。”（用于日语和中文）
添加泰语、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
)

从没有词界符的语言拆分文本​

此页是否对您有帮助？

从没有词界符的语言拆分文本