Разделение по символам

LangChain - самый простой способ разделения текста. Он основан на символах (по умолчанию, это "\n\n") для разделения и измеряет длину частей по количеству символов.

  1. Как происходит разделение текста: Он разделяется по отдельным символам.
  2. Как измеряется размер части: Он измеряется по количеству символов.

Установка пакета

%pip install -qU langchain-text-splitters

Примеры

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

Это пример передачи метаданных вместе с документом, обратите внимание, как это разделяется вместе с документом.

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='.. Игнорирование текста ..' lookup_str='' metadata={'document': 1} lookup_index=0

text_splitter.split_text(state_of_the_union)[0]