5.3.5 分割编程语言代码
在LangChain中,可以使用CharacterTextSplitter分割不同编程语言的代码片段。通过下面的的代码,可以打印输出目前所支持的编程语言。
from langchain_text_splitters import Language, RecursiveCharacterTextSplitter
# 支持的所有编程语言列表
print([e.value for e in Language])
执行后会输出:
['cpp', 'go', 'java', 'kotlin', 'js', 'ts', 'php', 'proto', 'python', 'rst', 'ruby', 'rust', 'scala', 'swift', 'markdown', 'latex', 'html', 'sol', 'csharp', 'cobol', 'c', 'lua', 'perl']
在使用RecursiveCharacterTextSplitter分割程序代码时,首先需要通过Language枚举设置编程语言的类型,然后将一个代码片段传递给分割器,分割器根据预定义的代码分隔符将程序代码分割成块。例如分割Python代码的流程如下所示。
(1)使用RecursiveCharacterTextSplitter,将变成语言设置为Language.PYTHON。
(2)将一个Python代码片段传递给分割器。
(3)分割器根据预定义的Python代码分隔符将Python代码分割成块。
请看下面的实例,演示了使用CharacterTextSplitter分割Python代码片段的过程。
实例5-1:使用CharacterTextSplitter分割Python代码片段(源码路径:codes\5\fen07.py)
实例文件fen07.py的具体实现代码如下所示。
from langchain_text_splitters import Language, RecursiveCharacterTextSplitter
# 定义Python代码文本
python_code = """
def hello_world():
print("Hello, World!")
# Call the function
hello_world()
"""
# 使用CharacterTextSplitter创建Python文本分割器实例
python_splitter = RecursiveCharacterTextSplitter.from_language(
language=Language.PYTHON, chunk_size=50, chunk_overlap=0
)
# 分割Python代码文本
python_docs = python_splitter.create_documents([python_code])
# 打印分割后的文档
for doc in python_docs:
print(doc.page_content)
上述代码的实现流程如下所示:
(1)定义Python代码文本:使用三重引号创建一个包含Python代码的字符串 python_code,定义了一个名为 hello_world 的函数,该函数会打印输出"Hello, World!"。
(1)创建Python文本分割器:使用 RecursiveCharacterTextSplitter.from_language()方法创建了一个针对Python语言的文本分割器实例 python_splitter,设置了参数 language=Language.PYTHON,表示要处理的是Python代码。
(1)分割Python代码文本:使用 python_splitter.create_documents()方法对Python代码文本进行分割,生成了一个文档列表 python_docs,每个文档包含了分割后的部分Python代码。
(4)打印输出分割后的文档:使用 for 循环遍历文档列表 python_docs,并打印每个文档的内容。在这个例子中只有一个文档,所以它只打印了整个Python代码文本。执行后会输出:
def hello_world():
print("Hello, World!")
# Call the function
hello_world()
5.3.6 Markdown文本分割器
在LangChain中,MarkdownHeaderTextSplitter用于根据指定的标头分割Markdown文档中的文本,它可以帮助用户将Markdown文档按照标题层级进行划分。用户可以选择是否保留被划分的标题内容,将文档传递给MarkdownHeaderTextSplitter实例的split_text()方法,即可获得按照指定标题层级划分后的文档列表。
使用MarkdownHeaderTextSplitter分割Markdown文档的基本流程如下所示。
(1)设置分割的标头:使用参数headers_to_split_on设置要分割的标头列表,每个标头由元组 (标头符号, 标头名称) 表示。在示例中,标头包括 #、## 和 ###,分别表示一级标题、二级标题和三级标题。
(2)创建MarkdownHeaderTextSplitter实例:使用指定的标头列表创建 MarkdownHeaderTextSplitter 的实例 markdown_splitter。
(3)分割Markdown文档:使用 markdown_splitter.split_text() 方法对Markdown文档进行分割,得到一个包含分割后内容和元数据的文档列表 md_header_splits。每个文档包含了分割后的部分Markdown文本,以及其所属的标头元数据。
(4)可选的内容处理:在默认情况下,MarkdownHeaderTextSplitter会从输出的文本块中去除被分割的标头内容。但可以通过设置 strip_headers=False 来禁用此功能。
(5)对每个Markdown组应用其他文本分割器:可以对每个Markdown组应用任何其他文本分割器,例如使用RecursiveCharacterTextSplitter 对每个Markdown组进行进一步的字符级分割。
假设现在有一个文件README.md,内容如下所示。
# drone_path_planning
A path planning and trajectory generation ROS package for collaborating drones flying into formations in 3D space .Obstacle avoidance and Minimum Snap Trajectories
!AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
请看下面的代码,演示了使用MarkdownHeaderTextSplitter分割文件README.md的过程。
实例5-1:使用MarkdownHeaderTextSplitter分割文件README.md(源码路径:codes\5\fen08.py)
实例文件fen08.py的具体实现代码如下所示。
from langchain_text_splitters import MarkdownHeaderTextSplitter
# 读取README.md文件内容
with open("README.md", "r", encoding="utf-8") as file:
readme_content = file.read()
# 指定要分割的标题级别
headers_to_split_on = [
("#", "Header 1"),
("##", "Header 2"),
("###", "Header 3"),
]
# 创建MarkdownHeaderTextSplitter实例
markdown_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on)
# 分割Markdown文档
md_header_splits = markdown_splitter.split_text(readme_content)
# 打印分割结果
for chunk in md_header_splits:
print(chunk)
在上述代码中,首先使用open()函数读取README.md文件的内容,然后创建了一个MarkdownHeaderTextSplitter实例,并使用split_text()方法对README.md文件进行分割。最后,打印输出了分割后的结果,在每个结果中包含了分割后的内容以及相应的元数据。执行后会输出:
page_content='A path planning and trajectory generation ROS package for collaborating drones flying into formations in 3D space .Obstacle avoidance and Minimum Snap Trajectories\n!AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA' metadata={'Header 1': 'drone_path_planning'}