一、RAG文本分割

        RAG（Retrieval-Augmented Generation，检索增强生成）模型是一种结合了检索 和生成能力的自然语言处理模型。 它通过检索相关的文档片段，并将这些信息作为生成过程的上下文，以提高生成质量 和准确性。

        在RAG模型中，文本分割是一个非常关键的步骤。合理地分割文档文本， 不仅能够提高检索的效率，还能更有效地将检索到的信息提供给生成模型，使生成内 容更加连贯和准确。

文本分割优点： 

        提升检索效率： 文本分割的首要原因是为了提高检索的效率。对于较长的文档，直接检索整篇文 档可能会导致信息冗余或者重要信息丢失。因此，合理的文本分割将长文档分成 多个段落或片段，这样每个片段可以单独进行检索，从而提高检索的精度和速 度。

        更好的信息匹配： 当文档被合理地分割后，检索算法可以更加精确地匹配用户查询和文档片段。这 样不仅能够减少噪声，还可以确保检索到的内容更加相关，生成模型在使用这些 片段进行回答时能够生成更加相关和有意义的内容。

        增强生成质量： 检索增强生成模型依赖检索到的内容作为生成输入的一部分。如果检索到的文档 片段不准确或上下文不完整，生成的结果可能会偏离用户的期望。文本分割可以 确保每个文档片段足够独立，且能够提供完整的上下文信息，从而提高生成的准 确性和上下文连贯性。

        降低计算复杂度： 长文本的直接处理会大大增加模型的计算量和时间开销，甚至有些大模型并不支 持超长文本的输入。通过将文本分割成多个较小的片段，可以只针对特定的片段 进行处理，从而减少计算量，提高响应速度。这不仅优化了模型的性能，还减少 了生成结果时的延迟。 

二、文本分割方法 

2.1、字符分割

        字符分割是最基础的文本分割方式，按照指定的分隔符进行分割。chunk_size 指的 是每个分割片段（chunk）的长度。chunk_overlap 指的是每个分割片段之间的重叠 部分。

注意： split_text 和 split_documents 不同：

        split_text：处理单纯的字符串。

        split_documents：处理包含元数据的文档对象。 

# 导入LangChain的字符文本分割器
from langchain.text_splitter import CharacterTextSplitter

# 定义要分割的中文文本
text = "在西天取经的几百年前黑风山上有一只黑熊精占山为王，自称黑风大王。"

# 创建字符文本分割器实例
# 参数说明:
# chunk_size=15: 每个文本块的最大字符数
# chunk_overlap=2: 相邻文本块之间的重叠字符数
# separator="": 分割符设为空字符串(按字符分割)
splitter = CharacterTextSplitter(
    chunk_size=15,
    chunk_overlap=2,
    separator=""
)

# 执行文本分割
chunks = splitter.split_text(text)

# 打印分割结果
print(chunks)

['在西天取经的几百年前黑风山上有', '上有一只黑熊精占山为王，自称黑', '称黑风大王。']

2.2、递归字符文本分割

        递归字符文本分割是字符分割的升级版，它以字符分割为基础，但在分割时引入了递 归的机制。 在初步分割之后，再对一些不完整或冗长的片段进行进一步细分，从而获得更加细粒 度的分割。

        这个方法比简单的字符分割更加灵活，可以通过递归深度来控制分割的粒度。 RecursiveCharacterTextSplitter不设置separators时，默认的separators参数为 ["\n\n", "\n", " ", ""]：将按不同的字符递归地分割（按照这个优先级["\n\n", "\n", " ", ""]），文本分割器首先在"\n\n"处尝试分割，如果分出的块过大（大于 chunk_size），则找到"\n"处尝试分割以此类推，若都不满足则按照字符划分。

# 导入LangChain的递归字符文本分割器
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 定义要分割的中文文本
text = "在西天取经的几百年前黑风山上有一只黑熊精占山为王，这里只是为了占位没什么用，自称黑风大王。"

# 创建递归字符文本分割器实例
# 参数说明:
# chunk_size=15: 每个文本块的最大字符数
# chunk_overlap=3: 相邻文本块之间的重叠字符数
# separators=[...]: 分割符优先级列表(按顺序尝试分割)
splitter = RecursiveCharacterTextSplitter(
    chunk_size=15,  # 每个分块最大15个字符
    chunk_overlap=3,  # 分块间重叠3个字符
    separators=[
        "\n\n",  # 双换行(最高优先级)
        "\n",    # 单换行
        " ",      # 空格
        ".",      # 英文句号
        ",",      # 英文逗号
        "，",     # 中文逗号
        "。",     # 中文句号
        ""        # 最后按字符分割(最低优先级)
    ]
)

# 执行文本分割
chunks = splitter.split_text(text)

# 打印分割结果
print(chunks)

['在西天取经的几百年前黑风山上有', '山上有一只黑熊精占山为王', '，这里只是为了占位没什么用', '，自称黑风大王。']

递归分割机制：

        会按照separators列表中的顺序，优先尝试用高级别的分隔符

        如果高级别分隔符无法满足chunk_size要求，会降级使用更低级别的分隔符

参数特点：

        chunk_overlap=3确保分块之间有3个字符的重叠，保持上下文连贯

        中文标点"，"和"。"被明确列为分隔符，确保在标点处自然分割

分割策略：

        优先在段落(\n\n)、句子(。)级别分割

        其次在短语(，)和词语(空格)级别分割

        最后才会按单个字符分割

中文适配：

        专门添加了中文标点作为分隔符

        确保中文文本能在语义合理的边界处分割

2.3、特定文档分割（以markdown为例）：

        特定文档分割是基于文档结构对文本进行分割的一种方式。不同的文档类型通常有各 自的结构化信息，例如书籍中的章节和段落、网页中的HTML标签等。 利用这些预定义的结构化信息，可以更加自然地分割文本，保证片段的上下文连贯 性。

# 导入Markdown标题文本分割器
from langchain.text_splitter import MarkdownHeaderTextSplitter

# 定义包含Markdown标题的文本内容
text = """
# 第一章
在西天取经的几百年前，黑风山上。\n\n在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。
# 第二章
测试。
"""

# 定义需要分割的标题级别和对应的元数据名称
# 格式: [(标题标记, 元数据字段名), ...]
headers_to_split_on = [
    ("#", "Header 1"),   # 一级标题，保存到Header 1元数据字段
    ("##", "Header 2"),  # 二级标题，保存到Header 2元数据字段
]

# 创建Markdown标题分割器实例
splitter = MarkdownHeaderTextSplitter(
    headers_to_split_on=headers_to_split_on  # 传入标题配置
)

# 执行文本分割
chunks = splitter.split_text(text)

# 打印分割结果
print(chunks)

# 预期输出结构:
# [
#     {
#         'content': '在西天取经的几百年前...',  # 正文内容
#         'metadata': {'Header 1': '第一章'}  # 标题元数据
#     },
#     {
#         'content': '测试。',
#         'metadata': {'Header 1': '第二章'}
#     }
# ]
[Document(metadata={'Header 1': '第一章'}, page_content='在西天取经的几百年前，黑风山上。  \n在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。在西天取经的几百年前，黑风山上。'), Document(metadata={'Header 1': '第二章'}, page_content='测试。')]

2.4、实例

# 导入必要的库
from langchain_community.document_loaders import TextLoader  # 文本加载器
from langchain.text_splitter import RecursiveCharacterTextSplitter  # 递归字符分割器

# 1. 加载TXT文档
# 创建TextLoader实例，指定文件路径和编码格式
text_loader = TextLoader("黑悟空.txt", encoding="UTF-8")
# 加载文档内容，返回Document对象列表
documents = text_loader.load()

# 2. 定义递归字符分割器
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=200,  # 每个分块的最大字符数
    chunk_overlap=20,  # 相邻分块间的重叠字符数
    separators=["\n\n", "\n", " ", ".", ",", "，", "。", ""]  # 分割符优先级列表
    # 分割符优先级说明：
    # 1. 首先尝试用双换行符(\n\n)分割
    # 2. 然后尝试单换行符(\n)
    # 3. 接着是空格、英文标点
    # 4. 最后是中文标点
    # 5. 如果以上都不适用，则按单个字符分割
)

# 3. 执行文档分割
# 对加载的文档进行分割，返回分割后的Document对象列表
splits_docs = text_splitter.split_documents(documents)

# 4. 打印分割结果
# 遍历所有分块，打印序号和内容
for i, chunk in enumerate(splits_docs):
    print(f"分块 {i+1}: \n{chunk}\n")  # 打印分块编号和内容
    # 每个chunk是一个Document对象，包含page_content和metadata属性

# 补充说明：
# 1. 适合处理包含中文标点的文本
# 2. 会尽量在段落、句子边界处进行分割
# 3. 重叠部分(chunk_overlap)确保上下文连贯性
# 4. 输出结果保留了原始文档的结构信息