Skip to main content
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。它会按顺序尝试在这些字符上分割，直到块足够小。默认列表为 ["\n\n", "\n", " ", ""]。这会产生尽可能保持所有段落（然后是句子，然后是单词）在一起的效果，因为这些通常在语义上是关联最强的文本片段。
  1. 文本如何分割：按字符列表。
  2. 块大小如何衡量：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: {} },
]
让我们来看一下上面为 RecursiveCharacterTextSplitter 设置的参数：
  • chunkSize：块的最大大小，大小由 lengthFunction 决定。
  • chunkOverlap：块之间的目标重叠。重叠的块有助于减轻当上下文被分割到不同块中时的信息损失。

​
分割没有词边界的语言文本

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", " ", ""] 分割文本可能会导致单词被分割到不同的块中。为了保持单词在一起，你可以覆盖分隔符列表以包含额外的标点符号：
  • 添加 ASCII 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）
  • 添加用于泰文、缅甸文、高棉文和日文的零宽空格。
  • 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",  // 零宽空格
    "\uff0c",  // 全角逗号
    "\u3001",  // 表意逗号
    "\uff0e",  // 全角句点
    "\u3002",  // 表意句点
    "",
  ],
});
将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。