langchain_text_splitters.sentence_transformers.SentenceTransformersTokenTextSplitter

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

使用句子模型分词器拆分文本到词素。

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)
create_documents(texts[, metadatas])	从文本列表创建文档。
from_huggingface_tokenizer(tokenizer, **kwargs)	使用HuggingFace分词器计算长度的文本拆分器。
from_tiktoken_encoder([encoding_name, ...])	使用tiktoken编码器计算长度的文本拆分器。
split_documents(documents)	拆分文档。
split_text(text)	将文本拆分为多个组件。
transform_documents(documents, **kwargs)	通过拆分文档进行文档序列的转换。

参数

• chunk_overlap (int) –

• 模型名称 (字符串) –

• tokens_per_chunk (可选[整数]) –

• kwargs (任何类型) –

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

创建一个新的TextSplitter。

参数

• chunk_overlap (int) –

• 模型名称 (字符串) –

• tokens_per_chunk (可选[整数]) –

• kwargs (任何类型) –

返回类型

None

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

异步转换文档列表。

参数

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

• kwargs (任何类型) –

返回

转换后的文档序列。

返回类型

Sequence[Document]

count_tokens(*, text: str) → int

参数

text (字符串) –

返回类型

整数

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

从文本列表创建文档。

参数

• texts (List[str]) –

• metadatas (Optional[List[dict]]) –

返回类型

List[Document]

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

使用HuggingFace分词器计算长度的文本拆分器。

参数

• tokenizer (Any) –

• kwargs (任何类型) –

返回类型

文字拆分器

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

使用tiktoken编码器计算长度的文本拆分器。

参数

• encoding_name (字符串) –

• model_name (可选 字符串) –

• allowed_special (联合 字符串) –

• disallowed_special (联合 字符串) –

• kwargs (任何类型) –

返回类型

TS

split_documents(documents: 可迭代对象[文档]) → 列表[文档]

拆分文档。

参数

documents (可迭代对象 文档) –

返回类型

List[Document]

split_text(text: str) → List[str]

将文本拆分为多个组件。

参数

text (字符串) –

返回类型

List[字符串]

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

通过拆分文档进行文档序列的转换。

参数

• 文档 (序列[Document]) –

• kwargs (任何类型) –

返回类型

序列[Document]

使用 SentenceTransformersTokenTextSplitter 的示例

• 如何根据标记分割文本