jieba 分词

jieba（中文名：结巴）是一个广泛使用的中文分词库，它支持三种分词模式：

• 精确模式：试图将句子最精确地切开，适合文本分析。
• 全模式：把句子中所有可以成词的词语都扫描出来，速度非常快，但是不能保证每个词语的准确性。
• 搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎的分词。

本身特点

• 支持繁体分词和简体分词。
• 支持自定义词典，可以提高分词的准确性。
• 支持词性标注。
• 可以进行关键词提取和词频统计。

使用方法

import jieba

text = "我爱北京天安门"
seg_list = jieba.cut(text)
print("Default Mode: " + "/ ".join(seg_list))  # 默认精确模式
print("Full Mode: " + "/ ".join(jieba.cut(text, cut_all=True)))  # 全模式
print("Search Mode: " + "/ ".join(jieba.cut_for_search(text)))  # 搜索引擎模式

输出结果

RecursiveCharacterTextSplitter 分词

RecursiveCharacterTextSplitter 是 Langchain 中的一个文本分割工具，它基于字符递归地分割文本。这种分词方法不是基于词的边界，而是基于文本的字符长度进行分割。

本身特点

• 可以指定每个文本块的最大字符数。
• 可以指定文本块之间的重叠字符数，以保持上下文的连贯性。
• 通常用于生成适合深度学习模型输入的文本块。

使用方法

from langchain.text_splitters import RecursiveCharacterTextSplitter
# 省略其他【这个示例要是运行的话前期准备工作很复杂，包很难下载，这里只是展示它们的不同以及各自的输出结果】
# 获取对应语言风格的数据
metadata = [item for item in data if item.get("press") == type_all[get_type]]
contents = [item['content'] for item in metadata]
updated_metadata = [{key: dic[key] for key in dic if key != 'content'} for dic in metadata]
# 创建 Document 对象
document = [Document(page_content=content, metadata=meta) for content, meta in zip(contents, updated_metadata)]
# print(document)
# 切分文档
text_split = RecursiveCharacterTextSplitter(chunk_size=12, chunk_overlap = 4)
split_data = text_split.split_documents(document)# 切分数据

print(split_data)