如何通过字符递归拆分文本

这个文本拆分器是推荐用于通用文本的。它通过字符列表进行参数化。它尝试按顺序在这些字符上进行拆分，直到文本块足够小。默认列表为 ["\n\n", "\n", " ", ""]。这会尽量保持所有段落（然后是句子，接着是单词）尽可能地在一起，因为这些通常看起来是语义上最强相关的文本片段。

1. 文本是如何拆分的：通过字符列表。
2. 块大小是如何测量的：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

# 加载示例文档
with open("state_of_the_union.txt") as f:
    state_of_the_union = f.read()

text_splitter = RecursiveCharacterTextSplitter(
    # 设置一个非常小的块大小，仅用于展示。
    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.']

让我们来看看上面为 RecursiveCharacterTextSplitter 设置的参数：

• chunk_size：块的最大大小，大小由 length_function 决定。
• chunk_overlap：块之间的目标重叠。重叠的块有助于减轻在块之间划分上下文时信息的丢失。
• length_function：确定块大小的函数。
• is_separator_regex：分隔符列表（默认为 ["\n\n", "\n", " ", ""]）是否应被解释为正则表达式。

从没有词边界的语言中拆分文本

某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", " ", ""] 拆分文本可能会导致单词在块之间被拆分。为了保持单词的完整性，可以覆盖分隔符列表以包含额外的标点符号：

• 添加 ASCII 句号 "."，Unicode 全宽 句号 "．"（用于中文），以及 表意全句号 "。"（用于日文和中文）
• 添加在泰文、缅甸文、柬文和日文中使用的 零宽空格。
• 添加 ASCII 逗号 ","，Unicode 全宽逗号 "，" 和 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
)