Skip to main content
Open In ColabOpen on GitHub

如何按字符递归分割文本

此 文本分割器 是用于通用文本的推荐选择。它通过一个字符列表进行参数化，并尝试按顺序在这些字符处进行分割，直到块的大小足够小。默认列表为 ["\n\n", "\n", " ", ""]。这样做会尽可能保持所有段落（然后是句子，再然后是单词）在一起，因为它们通常看起来是语义上联系最紧密的文本片段。

  1. 文本如何被分割：按字符列表。
  2. 块大小的测量方式：按字符数量计算。

下面我们将展示示例用法。

要直接获取字符串内容，请使用 .split_text。

要创建 LangChain 文档 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.']

让我们看看上面为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: 确定分块大小的函数。
  • 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。

拆分无单词边界的语言文本​

某些书写系统没有单词边界，例如中文、日文和泰文。使用默认的分隔符列表["\n\n", "\n", " ", ""]拆分文本可能导致单词在块之间被切断。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 全角句号"."，Unicode 全角 句号"．"（用于中文文本），以及 汉字全角句号 "。"（用于日语和中文）
  • 添加 零宽空格，用于泰语、缅甸语、高棉语和日语。
  • 添加 ASCII 逗号 ","，Unicode 全角逗号 "，"，以及 Unicode 表意逗号 "、"
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
)