当前位置: 首页 > news >正文

langchain递归切片器原理分析

机制分析

关键文件和类

文件路径:langchain_text_splitters/character.py

类名:RecursiveCharacterTextSplitter

核心入口函数:_split_text

解析步骤及源码分析

步骤说明示例/细节
1. 分隔符降级separators=["\n\n", "\n", " ", ""]顺序尝试,分隔符可自定义先用\n\n切段落,若任一段>chunk_size 字符,则对该段降级使用\n切,依次类推
2. 递归切分对“超长段”重复步骤 1,直到所有片段 ≤ chunk_size 或已用完分隔符若句子级仍超长,最终用空字符串""按字符硬切
3. 段合并(Merge)把“好段”依次拼成尽可能长的块,保证 ≤ chunk_size如果拼到再加就超chunk_size,则封口、起新块
4. 重叠(Overlap)当合并完成一个块A1之后,算法回退<=chunk_overlap的长度,以便下个块A2包含前一个块末尾overlap的内容。特别的,若块A1的最后一段长度大于chunk_overlap,则为保证语义完整,不强行生成overlap。相邻两个块 A1和A2,则 A2 头部 = A1 尾部 overlap 内容

上述步骤的总体逻辑在_split_text函数中,关键处均有代码注释说明:

def_split_text(self,text:str,separators:list[str])->list[str]:"""Split incoming text and return chunks."""final_chunks=[]# Get appropriate separator to use# 得到当前层级的分隔符separator=separators[-1]new_separators=[]fori,_sinenumerate(separators):_separator=_sifself._is_separator_regexelsere.escape(_s)if_s=="":separator=_sbreak# 快速搜索文本中是否存在分隔符,不存在,则分隔符降级ifre.search(_separator,text):separator=_s new_separators=separators[i+1:]break_separator=separatorifself._is_separator_regexelsere.escape(separator)splits=_split_text_with_regex(text,_separator,keep_separator=self._keep_separator)# Now go merging things, recursively splitting longer texts.# 所谓的“好段”指的是长度小于chunk_size的段_good_splits=[]_separator=""ifself._keep_separatorelseseparatorforsinsplits:ifself._length_function(s)<self._chunk_size:_good_splits.append(s)else:# 如果发现一个段不是好段,就把前面累积的好段做合并if_good_splits:merged_text=self._merge_splits(_good_splits,_separator)final_chunks.extend(merged_text)_good_splits=[]ifnotnew_separators:# 这里看似会生成一个超长块,但考虑到最后一个分隔符是空(亦即按字符切分),这行代码其实是跑不到的。final_chunks.append(s)else:# 对于超长段,用下级分隔符递归切分other_info=self._split_text(s,new_separators)final_chunks.extend(other_info)if_good_splits:merged_text=self._merge_splits(_good_splits,_separator)final_chunks.extend(merged_text)returnfinal_chunks

合并与重叠的逻辑则在_merge_splits函数中,关键处均有代码注释说明:

def_merge_splits(self,splits:Iterable[str],separator:str)->list[str]:# We now want to combine these smaller pieces into medium size# chunks to send to the LLM.separator_len=self._length_function(separator)docs=[]current_doc:list[str]=[]total=0# splits是所谓的好段,我们将好段尽可能拼接为较大的块fordinsplits:_len=self._length_function(d)# 拼到再加就超chunk_size,则封口、起新块if(total+_len+(separator_leniflen(current_doc)>0else0)>self._chunk_size):iftotal>self._chunk_size:logger.warning(f"Created a chunk of size{total}, "f"which is longer than the specified{self._chunk_size}")iflen(current_doc)>0:doc=self._join_docs(current_doc,separator)ifdocisnotNone:docs.append(doc)# Keep on popping if:# - we have a larger chunk than in the chunk overlap# - or if we still have any chunks and the length is long# 这一段是overlap的核心处理逻辑# 算法回退<=chunk_overlap的长度,以便下个块A2包含前一个块A1末尾overlap的内容。特别的,若块A1的最后一段长度大于chunk_overlap,则为保证语义完整,不会生成overlap。current_doc里存的就是一个块的所有段。whiletotal>self._chunk_overlapor(total+_len+(separator_leniflen(current_doc)>0else0)>self._chunk_sizeandtotal>0):total-=self._length_function(current_doc[0])+(separator_leniflen(current_doc)>1else0)current_doc=current_doc[1:]current_doc.append(d)total+=_len+(separator_leniflen(current_doc)>1else0)doc=self._join_docs(current_doc,separator)ifdocisnotNone:docs.append(doc)returndocs
http://www.zskr.cn/news/121607.html

相关文章:

  • 2025年口碑好的润滑油过滤机/液压油过滤机实力厂家TOP推荐榜 - 品牌宣传支持者
  • 2025上海出国留学中介排名前十名 - 留学品牌推荐官
  • VAM插件管理器完整指南:零基础构建高效Vim开发环境
  • Kotaemon能否用于药品说明书查询?医疗合规提醒
  • 2025上海出国留学中介前十名 - 留学品牌推荐官
  • 屏幕文字智能提取革命:告别手动输入的新时代办公利器
  • 快速搭建企业级后台管理系统:Vue-Element-Plus-Admin 完整实战指南
  • Java HTML转PDF技术突破:OpenHTMLtoPDF在企业级文档处理中的核心价值
  • 把数据放到云端,真的安全吗?云服务器安全防线拆解
  • LibreHardwareMonitor实战宝典:精准掌控硬件运行状态
  • 量子计算:从理论到实践的科技革命 - 指南
  • 解放双手!Auto Simulated Universe自动化工具带你轻松通关模拟宇宙
  • Kotaemon REST API 文档详解:快速接入第三方系统
  • Langflow插件全攻略:轻松打造AI应用生态圈
  • 从平面到立体:零基础掌握图片转3D模型的完整指南
  • django基于Python的电商图书数据分析与可视化_l3rfr8eu
  • 3、Windows Server 2003:安装、授权与更新全解析
  • django基于python的电影推荐系统设计与实现_83632ix7
  • 全球仅3家公司掌握的核心技术:农业无人机智能避障Agent架构剖析
  • fre:ac音频转换器:从入门到精通的完整指南
  • 5个实战技巧:让你的Jimp图像处理性能提升10倍
  • MCP量子认证报名到发证全过程解析,错过再等半年!
  • 揭秘MCP MS-720 Agent工作原理:5大关键功能你真的了解吗?
  • “光储直柔”时代降临:霍尔电流传感器如何赋能直流空调能效革命
  • 【电力巡检Agent图像识别实战】:揭秘AI如何实现99.9%缺陷识别准确率
  • Ramile:软件著作权代码提取的革命性解决方案
  • Java - 字符串反转
  • 2025年度口碑佳橡胶垫厂家考量及性价比高橡胶垫供应商推荐 - 工业推荐榜
  • 揭秘AI Agent部署难题:5大常见坑点与避坑策略
  • 132_尚硅谷_Go字符串函数详解(1)