递归分割 - 文本分割器集成指南

此文本分割器是通用文本的推荐选择。它通过一个字符列表进行参数化配置，会按顺序尝试在这些字符处分割，直到生成的块足够小。默认列表为 ["\n\n", "\n", " ", ""]。这样做的效果是尽可能保持所有段落（然后是句子，接着是词语）的完整性，因为这些通常被视为语义关联最强的文本片段。

1. 文本如何分割：按字符列表进行分割。
2. 块大小如何衡量：按字符数计算。

下面我们展示使用示例。

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

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

text_splitter = RecursiveCharacterTextSplitter(
    # 设置非常小的块大小，仅用于演示。
    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.'

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：块之间的目标重叠量。重叠块有助于减轻上下文在块之间分割时造成的信息丢失。
• 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。

分割无词边界语言的文本

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", " ", ""] 分割文本可能导致词语被分割到不同的块中。为了保持词语的完整性，您可以覆盖分隔符列表，添加额外的标点符号：

• 添加 ASCII 全角句点 “.”、Unicode 全角句点 “．”（用于中文文本）和表意句点 “。”（用于日文和中文）
• 添加泰文、缅甸文、高棉文和日文中使用的零宽空格。
• 添加 ASCII 逗号 “,”、Unicode 全角逗号 “，” 和 Unicode 表意逗号 “、”

text_splitter = RecursiveCharacterTextSplitter(
    separators=[
        "\n\n",
        "\n",
        " ",
        ".",
        ",",
        "\u200b",  # 零宽空格
        "\uff0c",  # 全角逗号
        "\u3001",  # 表意逗号
        "\uff0e",  # 全角句点
        "\u3002",  # 表意句点
        "",
    ],
    # 其他参数保持不变
)

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.