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。 
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(
    # 设置一个非常小的块大小，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，其中大小由 length_function 确定。
  • chunk_overlap：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。
  • 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 “、”
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
)
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.