跳到主要内容
此文本分割器是通用文本推荐的分割器。它通过字符列表进行参数化。它会尝试按顺序使用这些字符进行分割，直到块足够小。默认列表是["\n\n", "\n", " ", ""]。这样做的效果是尽可能地将所有段落（然后是句子，然后是单词）保持在一起，因为这些通常被认为是语义上最强的相关文本片段。
  1. 文本如何分割：通过字符列表。
  2. 块大小如何衡量：通过字符数。
下面我们展示了示例用法。 
pip install -qU langchain-text-splitters
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。
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.']
让我们回顾一下为RecursiveCharacterTextSplitter设置的参数
  • chunk_size：块的最大大小，大小由length_function确定。
  • chunk_overlap：块之间的目标重叠。重叠块有助于在上下文在块之间划分时减轻信息丢失。
  • length_function：确定块大小的函数。
  • is_separator_regex：分隔符列表（默认为["\n\n", "\n", " ", ""]）是否应解释为正则表达式。

​
分割没有词边界的语言文本

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 句号“.”、Unicode 全角句号“．”（用于中文文本）和表意句号“。”（用于日文和中文）
  • 添加用于泰语、缅甸语、高棉语和日语的零宽度空格。
  • 添加 ASCII 逗号“,”、Unicode 全角逗号“，”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
)
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.