تقسيم حسب الحرف

LangChain هو أبسط طريقة لتقسيم النصوص. يعتمد على الحروف (افتراضيًا، "\n\n") للتقسيم ويقيس طول الأجزاء بعدد الحروف.

  1. كيفية تقسيم النص: يتم تقسيمه حسب الحروف الفردية.
  2. كيفية قياس حجم الجزء: يتم قياسه بعدد الحروف.

تثبيت الحزمة

%pip install -qU langchain-text-splitters

أمثلة

with open('../../../state_of_the_union.txt') as f:
    state_of_the_union = f.read()

from langchain_text_splitters import CharacterTextSplitter

text_splitter = CharacterTextSplitter(        
    separator="\n\n",
    chunk_size=1000,
    chunk_overlap=200,
    length_function=len,
)

texts = text_splitter.create_documents([state_of_the_union])
print(texts[0])

page_content='Madam Speaker, Madam Vice President ...' lookup_str='' metadata={} lookup_index=0

هذا مثال على تمرير البيانات الوصفية مع الوثيقة، يرجى ملاحظة كيف يتم تقسيمها جنبًا إلى جنب مع الوثيقة.

metadatas = [{"document": 1}, {"document": 2}]
documents = text_splitter.create_documents([state_of_the_union, state_of_the_union], metadatas=metadatas)
print(documents[0])

page_content='.. إهمال النص ..' lookup_str='' metadata={'document': 1} lookup_index=0

text_splitter.split_text(state_of_the_union)[0]