SentenceTransformersTokenTextSplitter#

class langchain_text_splitters.sentence_transformers.SentenceTransformersTokenTextSplitter(chunk_overlap: int = 50, model_name: str = 'sentence-transformers/all-mpnet-base-v2', tokens_per_chunk: int | None = None, **kwargs: Any)[source]#

使用句子模型分词器将文本分割为标记。

创建一个新的TextSplitter。

方法

__init__([chunk_overlap, model_name, ...])

创建一个新的TextSplitter。

atransform_documents(documents, **kwargs)

异步转换文档列表。

count_tokens(*, text)

计算给定文本中的令牌数量。

create_documents(texts[, metadatas])

从文本列表创建文档。

from_huggingface_tokenizer(tokenizer, **kwargs)

使用HuggingFace分词器来计算长度的文本分割器。

from_tiktoken_encoder([encoding_name, ...])

使用tiktoken编码器来计算长度的文本分割器。

split_documents(documents)

分割文档。

split_text(text)

通过按标记分割输入文本来将其分割成较小的组件。

transform_documents(documents, **kwargs)

通过拆分文档来转换文档序列。
Parameters:

  • chunk_overlap (int)

  • model_name (str)

  • tokens_per_chunk (可选[整数])

  • kwargs (Any)

__init__(chunk_overlap: int = 50, model_name: str = 'sentence-transformers/all-mpnet-base-v2', tokens_per_chunk: int | None = None, **kwargs: Any) → None[source]#

创建一个新的TextSplitter。

Parameters:

  • chunk_overlap (int)

  • model_name (str)

  • tokens_per_chunk (int | None)

  • kwargs (Any)

Return type:

无

async atransform_documents(documents: Sequence[Document], **kwargs: Any) → Sequence[Document]#

异步转换文档列表。

Parameters:

  • documents (Sequence[Document]) – 要转换的文档序列。

  • kwargs (Any)

Returns:

一系列转换后的文档。

Return type:

序列[Document]

count_tokens(*, text: str) → int[source]#

计算给定文本中的标记数量。

此方法使用私有的_encode方法对输入文本进行编码，并计算编码结果中的总令牌数。

Parameters:

text (str) – 用于计算标记数量的输入文本。

Returns:

编码文本中的令牌数量。

Return type:

整数

create_documents(texts: List[str], metadatas: List[dict] | None = None) → List[Document]#

从文本列表创建文档。

Parameters:

  • 文本 (列表[字符串])

  • metadatas (列表[字典] | 无)

Return type:

列表[文档]

classmethod from_huggingface_tokenizer(tokenizer: Any, **kwargs: Any) → TextSplitter#

使用HuggingFace分词器来计算长度的文本分割器。

Parameters:

  • tokenizer (任意)

  • kwargs (Any)

Return type:

TextSplitter

classmethod from_tiktoken_encoder(encoding_name: str = 'gpt2', model_name: str | None = None, allowed_special: Literal['all'] | AbstractSet[str] = {}, disallowed_special: Literal['all'] | Collection[str] = 'all', **kwargs: Any) → TS#

使用tiktoken编码器来计算长度的文本分割器。

Parameters:

  • encoding_name (str)

  • model_name (str | None)

  • allowed_special (Literal['all'] | ~typing.AbstractSet[str])

  • disallowed_special (Literal['all'] | ~typing.Collection[str])

  • kwargs (Any)

Return type:

TS

split_documents(documents: Iterable[Document]) → List[Document]#

分割文档。

Parameters:

文档 (可迭代[Document])

Return type:

列表[文档]

split_text(text: str) → List[str][source]#

通过根据标记拆分文本，将输入文本拆分为较小的组件。

此方法使用私有的_encode方法对输入文本进行编码，然后从编码结果中去除开始和结束的标记ID。它将处理后的片段作为字符串列表返回。

Parameters:

text (str) – 要分割的输入文本。

Returns:

从输入文本经过编码和处理后得到的字符串组件列表。

Return type:

列表[str]

transform_documents(documents: Sequence[Document], **kwargs: Any) → Sequence[Document]#

通过拆分文档序列来转换文档。

Parameters:

  • 文档 (序列[Document])

  • kwargs (Any)

Return type:

序列[文档]

使用 SentenceTransformersTokenTextSplitter 的示例