Podział według znaków

LangChain to najprostsza metoda podziału tekstu. Oparty jest on na znakach (domyślnie "\n\n") i mierzy długość fragmentów za pomocą liczby znaków.

  1. Sposób podziału tekstu: Dokonuje się poprzez indywidualne znaki.
  2. Pomiar wielkości fragmentu: Wykonywany jest na podstawie liczby znaków.

Instalacja pakietu

%pip install -qU langchain-text-splitters

Przykłady

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

To jest przykład przekazywania metadanych wraz z dokumentem, proszę zauważyć, jak są one podzielone równolegle do dokumentu.

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='.. Ignoring text ..' lookup_str='' metadata={'document': 1} lookup_index=0

text_splitter.split_text(state_of_the_union)[0]