文本分割器集成

使用 LangChain 与文本分割器集成。

:::python

pip

pip install -U langchain-text-splitters

:::

:::js

npm

npm install @langchain/textsplitters @langchain/core
# Requires Node.js 22+

:::

文本分割器将大型文档分割成更小的片段，这些片段可以单独检索，并且适合模型上下文窗口限制。

有多种分割文档的策略，每种策略都有其自身的优势。

:::python

:::

对于大多数用例，应从RecursiveCharacterTextSplitter开始。它提供了在保持上下文完整性和管理片段大小之间取得良好平衡。这种默认策略开箱即用效果良好，只有当您需要针对特定应用程序微调性能时，才应考虑调整它。

基于文本结构的分割

文本自然地组织成层次结构单元，如段落、句子和单词。我们可以利用这种固有的结构来指导我们的分割策略，创建保持自然语言流畅性、在分割内保持语义连贯性，并适应不同级别的文本粒度的分割。LangChain的RecursiveCharacterTextSplitter实现了这一概念：

• RecursiveCharacterTextSplitter尝试保持较大的单元（例如，段落）完整。
• 如果一个单元超过片段大小，它会移动到下一级（例如，句子）。
• 如果有必要，此过程会继续到单词级别。

示例用法：

:::python

from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
texts = text_splitter.split_text(document)

::: :::js

import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";

const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 100, chunkOverlap: 0 })
const texts = splitter.splitText(document)

:::

可用的文本分割器：

• 递归分割文本

基于长度的分割

一种直观的策略是根据文档的长度进行分割。这种简单而有效的方法确保每个片段都不会超过指定的尺寸限制。基于长度的分割的关键优势：

• 简单实现
• 一致的片段大小
• 容易适应不同的模型需求

基于长度的分割类型：

• Token-based：基于Token数量分割文本，这在处理语言模型时很有用。
• Character-based：基于字符数量分割文本，这可以在不同类型的文本中保持更一致的分割。

使用LangChain的CharacterTextSplitter进行基于Token的分割的示例实现：

:::python

from langchain_text_splitters import CharacterTextSplitter

text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0
)
texts = text_splitter.split_text(document)

::: :::js

import { TokenTextSplitter } from "@langchain/textsplitters";

const splitter = new TokenTextSplitter({ encodingName: "cl100k_base", chunkSize: 100, chunkOverlap: 0 })
const texts = splitter.splitText(document)

:::

可用的文本分割器：

• 按Token分割
• 按字符分割

基于文档结构的分割

某些文档具有固有的结构，如HTML、Markdown或JSON文件。在这些情况下，根据文档结构进行分割是有益的，因为它通常自然地将语义相关的文本分组在一起。基于结构的分割的关键优势：

• 保留文档的逻辑组织
• 在每个片段内保持上下文
• 对于检索或摘要等下游任务可能更有效

:::python 基于结构的分割示例：

• Markdown：基于标题（例如，#、##、###）进行分割
• HTML：使用标签进行分割
• JSON：按对象或数组元素进行分割
• 代码：按函数、类或逻辑块进行分割

可用的文本分割器：

• 分割Markdown
• 分割JSON
• 分割代码
• 分割HTML ::: :::js 可用的文本分割器：
• 分割代码 :::

---

官方原文：src/oss/integrations/splitters/index.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。