Skip to main content
语言模型有 Token 限制。您不应超过 Token 限制。当您 将文本分割 成块时,因此计算 Token 数量是一个好主意。有很多 Tokenizer。当您在文本中计算 Token 时,您应该使用与语言模型中相同的 Tokenizer。 :::python

tiktoken

tiktoken 是由 OpenAI 创建的一个快速 BPE Tokenizer。
我们可以使用 tiktoken 来估计使用的 Token。它可能对 OpenAI 模型更准确。
  1. 文本是如何分割的:通过传入的字符。
  2. 块大小是如何测量的:通过 tiktoken Tokenizer。
@[CharacterTextSplitter], @[RecursiveCharacterTextSplitter], 和 @[TokenTextSplitter] 可以直接与 tiktoken 一起使用。
要使用 @[CharacterTextSplitter] 分割,然后使用 tiktoken 合并块,请使用它的 .from_tiktoken_encoder() 方法。请注意,此方法的分割可能大于由 tiktoken Tokenizer 测量的块大小。 .from_tiktoken_encoder() 方法接受 encoding_name 作为参数(例如 cl100k_base),或接受 model_name(例如 gpt-4)。所有额外的参数,如 chunk_size、chunk_overlap 和 separators,用于实例化 CharacterTextSplitter:
要实现块大小的硬约束,我们可以使用 RecursiveCharacterTextSplitter.from_tiktoken_encoder,其中每个分割如果大小较大,将被递归分割:
我们还可以加载一个 TokenTextSplitter 分割器,它可以直接与 tiktoken 一起使用,并确保每个分割都小于块大小。
某些书写语言(例如中文和日语)有字符,这些字符编码为两个或多个 Token。直接使用 TokenTextSplitter 可能会在两个块之间分割字符的 Token,导致 Unicode 字符格式错误。使用 RecursiveCharacterTextSplitter.from_tiktoken_encoder 或 CharacterTextSplitter.from_tiktoken_encoder 确保块包含有效的 Unicode 字符串。 ::: :::js

js-tiktoken

js-tiktoken 是由 OpenAI 创建的 BPE Tokenizer 的 JavaScript 版本。
我们可以使用 tiktoken 和 @[TokenTextSplitter] 来估计使用的 Token。它可能对 OpenAI 模型更准确。
  1. 文本是如何分割的:通过传入的字符。
  2. 块大小是如何测量的:通过 tiktoken Tokenizer。
要使用 @[TokenTextSplitter] 分割,然后使用 tiktoken 合并块,在初始化 @[TokenTextSplitter] 时传入一个 encodingName(例如 cl100k_base)。请注意,此方法的分割可能大于由 tiktoken Tokenizer 测量的块大小。
::: :::python

spaCy

spaCy 是一个用于高级自然语言处理的开源软件库,用 Python 和 Cython 编写。
LangChain 实现了基于 spaCy Tokenizer 的分割器。
  1. 文本是如何分割的:通过 spaCy Tokenizer。
  2. 块大小是如何测量的:通过字符数量。

SentenceTransformers

SentenceTransformersTokenTextSplitter 是一个专门用于与句子转换器模型一起使用的文本分割器。默认行为是将文本分割成适合您希望使用的句子转换器模型的 Token 窗口的块。 要分割文本并根据句子转换器 Tokenizer 限制 Token 计数,请实例化一个 SentenceTransformersTokenTextSplitter。您可以可选地指定:
  • chunk_overlap:Token 重叠的整数计数;
  • model_name:句子转换器模型名称,默认为 "sentence-transformers/all-mpnet-base-v2";
  • tokens_per_chunk:每个块所需的 Token 计数。

NLTK

自然语言工具包,或更常见的 NLTK,是一套用于英语符号和统计自然语言处理(NLP)的库和程序。
我们不仅可以基于 “\n\n” 分割,还可以使用 NLTK 基于 NLTK Tokenizer 分割。
  1. 文本是如何分割的:通过 NLTK Tokenizer。
  2. 块大小是如何测量的:通过字符数量。

KoNLPY

KoNLPy: Python 中的韩语 NLP 是一个用于韩语自然语言处理(NLP)的 Python 包。
Token 分割涉及将文本分割成更小的、更易于管理的单元,称为 Token。这些 Token 通常是单词、短语、符号或其他对进一步处理和分析至关重要的有意义元素。在英语等语言中,Token 分割通常涉及通过空格和标点符号分隔单词。Token 分割的有效性很大程度上取决于 Tokenizer 对语言结构的理解,确保生成有意义的 Token。由于为英语设计的 Tokenizer 无法理解其他语言(如韩语)的独特语义结构,因此它们不能有效地用于韩语语言处理。

使用 KoNLPY 的 kkma 分析器进行韩语 Token 分割

对于韩语文本,KoNLPY 包含一个称为 Kkma(韩语知识词素分析器)的形态分析器。Kkma 提供了韩语文本的详细形态分析。它将句子分解成单词,并将单词分解成相应的词素,为每个 Token 识别词性。它可以分割文本块成单个句子,这对于处理长文本特别有用。

使用注意事项

虽然 Kkma 以其详细分析而闻名,但请注意,这种精确度可能会影响处理速度。因此,Kkma 最适合分析深度优先于快速文本处理的应用。

Hugging Face 分词器

Hugging Face 有很多 Tokenizer。 我们使用 Hugging Face tokenizer,即 GPT2TokenizerFast 来计算文本的 Token 长度。
  1. 文本是如何分割的:通过传入的字符。
  2. 块大小是如何测量的:通过 Hugging Face Tokenizer 计算的 Token 数量。
:::
官方原文:src/oss/integrations/splitters/split_by_token.mdx · 非官方翻译,译文由 AI 生成,以英文原文为准。
Last modified on November 3, 2026