Skip to main content
pip install -U langchain-text-splitters
文本分割器将大型文档分解为更小的块，这些块可以单独检索，并且适合模型上下文窗口的限制。 有多种分割文档的策略，每种策略都有其自身的优势。
对于大多数用例，请从 RecursiveCharacterTextSplitter 开始。它在保持上下文完整性和管理块大小之间提供了良好的平衡。这种默认策略开箱即用效果很好，只有在需要为特定应用微调性能时才应考虑调整它。

​
基于文本结构

文本自然地组织成层次单元，如段落、句子和单词。我们可以利用这种固有结构来指导我们的分割策略，创建保持自然语言流畅、在分割内保持语义连贯性，并适应不同文本粒度级别的分割。LangChain 的 RecursiveCharacterTextSplitter 实现了这一概念：
  • RecursiveCharacterTextSplitter 尝试保持较大的单元（例如，段落）完整。
  • 如果一个单元超过块大小，它会移动到下一级别（例如，句子）。
  • 如果需要，此过程会一直持续到单词级别。
使用示例： 
from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
texts = text_splitter.split_text(document)
可用的文本分割器：

​
基于长度

一种直观的策略是根据文档的长度进行分割。这种简单而有效的方法确保每个块不超过指定的大小限制。基于长度分割的主要优点：
  • 实现简单
  • 块大小一致
  • 易于适应不同的模型要求
基于长度分割的类型：
  • 基于令牌：根据令牌数量分割文本，这在处理语言模型时很有用。
  • 基于字符：根据字符数量分割文本，这在不同类型的文本中可能更一致。
使用 LangChain 的 CharacterTextSplitter 进行基于令牌分割的示例实现： 
from langchain_text_splitters import CharacterTextSplitter

text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0
)
texts = text_splitter.split_text(document)
可用的文本分割器：

​
基于文档结构

一些文档具有固有结构，例如 HTML、Markdown 或 JSON 文件。在这些情况下，根据其结构分割文档是有益的，因为它通常自然地将语义相关的文本分组。基于结构分割的主要优点：
  • 保留文档的逻辑组织
  • 在每个块内保持上下文
  • 对于下游任务（如检索或摘要）可能更有效
基于结构分割的示例：
  • Markdown：基于标题分割（例如，#、##、###）
  • HTML：使用标签分割
  • JSON：按对象或数组元素分割
  • 代码：按函数、类或逻辑块分割
可用的文本分割器：
连接这些文档 到 Claude、VSCode 等，通过 MCP 获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。