Spacy文本分割器#

class langchain_text_splitters.spacy.SpacyTextSplitter(separator: str = '\n\n', pipeline: str = 'en_core_web_sm', max_length: int = 1000000, *, strip_whitespace: bool = True, **kwargs: Any)[source]#

使用Spacy包进行文本分割。

默认情况下，使用Spacy的en_core_web_sm模型，其默认的max_length为1000000（这是该模型接受的最大字符长度，对于大文件可以增加）。为了更快但可能不太准确的分割，您可以使用pipeline=’sentencizer’。

初始化spacy文本分割器。

方法

__init__([separator, pipeline, max_length, ...])

初始化spacy文本分割器。

atransform_documents(documents, **kwargs)

异步转换文档列表。

create_documents(texts[, metadatas])

从文本列表中创建文档。

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)

分割传入的文本并返回块。

transform_documents(documents, **kwargs)

通过拆分文档来转换文档序列。
Parameters:

  • separator (str)

  • pipeline (str)

  • max_length (int)

  • strip_whitespace (bool)

  • kwargs (Any)

__init__(separator: str = '\n\n', pipeline: str = 'en_core_web_sm', max_length: int = 1000000, *, strip_whitespace: bool = True, **kwargs: Any) → None[source]#

初始化spacy文本分割器。

Parameters:

  • separator (str)

  • pipeline (str)

  • max_length (int)

  • strip_whitespace (bool)

  • 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]

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]#

分割传入的文本并返回块。

Parameters:

文本 (str)

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 SpacyTextSplitter 的示例