大模型入门到应用——LangChain：索引（Indexes）-[文本分割器（Text Splitters

最新推荐文章于 2024-08-27 10:03:02 发布

kenzsoft

最新推荐文章于 2024-08-27 10:03:02 发布

阅读量488

点赞数 5

分类专栏： 2024年程序员学习文章标签： langchain python 开发语言

本文链接：https://blog.csdn.net/kenzsoft/article/details/137674434

版权

2024年程序员学习专栏收录该内容

45 篇文章 0 订阅

订阅专栏

	- [加载与保存LLM类、流式传输LLM与Chat Model响应和跟踪tokens使用情况]( )
+ 聊天模型（Chat Models）
	- [基础知识]( )
	- [使用少量示例和响应流式传输]( )
+ 文本嵌入模型
	- [Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等]( )
	- [Embaas、Fake Embeddings、Google Vertex AI PaLM等]( )

当我们需要处理长文本时，有必要将文本分割成块。虽然这听起来很简单，但这里存在很多潜在的复杂性。理想情况下，我们希望将语义相关的文本块保持在一起，但什么是"语义相关"可能取决于文本的类型。本文就展示了几种实现这一目标的方法。

在高层次上，文本分割器的工作原理如下：

将文本分割成小的、语义有意义的块（通常是句子）。
开始将这些小块组合成较大的块，直到达到一定的大小（由某个函数衡量）。
一旦达到该大小，将该块作为自己的文本片段，然后开始创建一个具有一定重叠的新文本块（以保持块之间的上下文）。

这意味着有两个不同的方向可以定制文本分割器：

文本如何被分割
块的大小如何衡量

默认推荐的文本分割器是RecursiveCharacterTextSplitter。该文本分割器接受一个字符列表作为参数。它尝试根据第一个字符进行分块，但如果有任何分块过大，它将继续尝试下一个字符，依此类推。默认情况下，它尝试进行分割的字符是\n\n、\n等。除了控制分割的字符之外，我们还可以控制其他一些内容：

length_function：如何计算分块的长度。默认只计算字符数，但通常在这里传递一个标记计数器。
chunk_size：分块的最大大小（由长度函数测量）。
chunk_overlap：分块之间的最大重叠量。保持一些重叠可以保持分块之间的连续性（例如使用滑动窗口）。
add_start_index：是否在元数据中包含每个分块在原始文档中的起始位置。

# This is a long document we can split up.
with open('../../state_of_the_union.txt') as f:
    state_of_the_union = f.read()
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(
    # Set a really small chunk size, just to show.
    chunk_size = 100,
    chunk_overlap  = 20,
    length_function = len,
    add_start_index = True,
)
texts = text_splitter.create\_documents([state\_of\_the\_union])
print(texts[0])
print(texts[1])

输出：

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。