这个文本分割器是通用文本的推荐选择。它由字符列表参数化。它按顺序尝试在这些字符上分割，直到块足够小。默认列表是 ["\n\n", "\n", " ", ""]。这样做的效果是尽可能长时间地保持所有段落（然后是句子，然后是单词）在一起，因为这些通常是语义上最相关的文本片段。
  1. 文本如何分割：通过字符列表。
  2. 块大小如何测量：按字符数。
下面我们展示使用示例。 
npm install @langchain/textsplitters
要直接获取字符串内容，请使用 .splitText。 要创建 LangChain Document 对象（例如，用于下游任务），请使用 .createDocuments。 
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";

const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 100, chunkOverlap: 0 })
const texts = splitter.createDocuments([{ pageContent: "..." }])

[
  { pageContent: "...", metadata: {} },
]
让我们看看上面为 RecursiveCharacterTextSplitter 设置的参数：
  • chunkSize：块的最大大小，其中大小由 lengthFunction 确定。
  • chunkOverlap：块之间的目标重叠。重叠块有助于减轻上下文在块之间分割时的信息丢失。

​
分割没有词边界的语言的文本

某些书写系统没有词边界，例如中文、日语和泰语。使用默认分隔符列表 ["\n\n", "\n", " ", ""] 分割文本可能导致单词在块之间被分割。为了保持单词在一起，您可以覆盖分隔符列表以包含其他标点符号：
  • 添加 ASCII 句号 “.”、Unicode 全角句号 “．”（用于中文文本）和表意句号 “。”（用于日语和中文）
  • 添加在泰语、缅甸语、高棉语和日语中使用的零宽空格。
  • 添加 ASCII 逗号 “,”、Unicode 全角逗号 “，” 和 Unicode 表意逗号 “、”
const splitter = new RecursiveCharacterTextSplitter({
  separators: [
    "\n\n",
    "\n",
    " ",
    ".",
    ",",
    "\u200b",  // Zero-width space
    "\uff0c",  // Fullwidth comma
    "\u3001",  // Ideographic comma
    "\uff0e",  // Fullwidth full stop
    "\u3002",  // Ideographic stop
    "",
  ],
});
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.