递归分割 - 文本分割器集成指南

这个 文本分割器 是通用文本推荐的分割器。它通过一组字符进行参数化。它会按顺序尝试在这些字符上分割文本，直到块足够小。默认列表是 [“\n\n”, “\n”, ” ”, ""]。这会尝试尽可能长时间地保持所有段落（然后是句子，然后是单词）作为一个整体，因为这些通常被认为是语义上最相关的文本片段。

这个 文本分割器 是通用文本推荐的分割器。它通过一组字符进行参数化。它会按顺序尝试在这些字符上分割文本，直到块足够小。默认列表是 ["\n\n", "\n", " ", ""]。这会尝试尽可能长时间地保持所有段落（然后是句子，然后是单词）作为一个整体，因为这些通常被认为是语义上最相关的文本片段。

1. 文本如何分割：通过字符列表。
2. 块大小如何测量：通过字符数量。

下面我们展示示例用法。

:::python

pip install -qU langchain-text-splitters

::: :::js

npm

npm install @langchain/textsplitters

:::

:::python 要直接获取字符串内容，使用 .split_text。

要创建 LangChain @[Document] 对象（例如，用于下游任务），使用 .create_documents。

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.'

print(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.']

:::

:::js 要直接获取字符串内容，使用 .splitText。

要创建 LangChain @[Document] 对象（例如，用于下游任务），使用 .createDocuments。

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

const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 100, chunkOverlap: 0 })
const texts = splitter.createDocuments([{ pageContent: "..." }])

[
  { pageContent: "...", metadata: {} },
]

:::

让我们回顾上面为 RecursiveCharacterTextSplitter 设置的参数：

:::python

• chunk_size: 块的最大大小，其中大小由 length_function 决定。
• chunk_overlap: 块之间的目标重叠。重叠的块有助于在块之间分配上下文时减少信息丢失。
• length_function: 决定块大小的函数。
• is_separator_regex: 是否应将分隔符列表（默认为 ["\n\n", "\n", " ", ""]）解释为正则表达式。 :::

:::js

• chunkSize: 块的最大大小，其中大小由 lengthFunction 决定。
• chunkOverlap: 块之间的目标重叠。重叠的块有助于在块之间分配上下文时减少信息丢失。 :::

从没有词边界的语言中分割文本

一些书写系统没有 词边界，例如中文、日文和泰文。使用默认的分隔符列表 ["\n\n", "\n", " ", ""] 分割文本可能会导致单词在块之间被分割。为了保持单词完整，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 全角句号 “．”（用于中文文本）以及 表意全角 “。”（用于日文和中文）
• 添加 零宽空格（用于泰文、缅甸文、高棉文和日文）
• 添加 ASCII 逗号 “,”、Unicode 全角逗号 “，” 和 Unicode 表意逗号 “、”

:::python

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
)

::: :::js

const splitter = new RecursiveCharacterTextSplitter({
  separators: [
    "\n\n",
    "\n",
    " ",
    ".",
    ",",
    "\u200b",  // Zero-width space
    "\uff0c",  // Fullwidth comma
    "\u3001",  // Ideographic comma
    "\uff0e",  // Fullwidth full stop
    "\u3002",  // Ideographic stop
    "",
  ],
});

:::

---

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