> ## Documentation Index
> Fetch the complete documentation index at: https://nvd-54.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 文本分割器集成

> 使用 LangChain 集成文本分割器。

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install -U langchain-text-splitters
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-text-splitters
  ```
</CodeGroup>

**文本分割器**将大型文档分割成更小的块，这些块可以被单独检索并且适合模型上下文窗口限制。

有多种分割文档的策略，每种都有其优势。

<Tip>
  对于大多数用例，建议从 [`RecursiveCharacterTextSplitter`](/oss/python/integrations/splitters/recursive_text_splitter) 开始。它在保持上下文完整性和管理分块大小之间提供了良好的平衡。这个默认策略开箱即用效果很好，只有在需要针对特定应用微调性能时才需要考虑调整。
</Tip>

## 基于文本结构

文本天然地组织成层级单元，如段落、句子和单词。我们可以利用这种固有结构来指导分割策略，创建保持自然语言流、维持语义连贯性并适应不同文本粒度级别的分割。LangChain 的 `RecursiveCharacterTextSplitter` 实现了这一概念：

* [`RecursiveCharacterTextSplitter`](/oss/python/integrations/splitters/recursive_text_splitter) 尝试保持较大的单元（如段落）完整。
* 如果一个单元超过分块大小，它会移动到下一个级别（如句子）。
* 如有必要，这个过程会继续到单词级别。

示例用法：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
texts = text_splitter.split_text(document)
```

**可用的文本分割器**：

* [递归分割文本](/oss/python/integrations/splitters/recursive_text_splitter)

## 基于长度

一种直观的策略是根据文档长度进行分割。这种简单而有效的方法确保每个块不超过指定的大小限制。基于长度分割的主要优势：

* 实现简单直接
* 分块大小一致
* 易于适应不同的模型需求

基于长度的分割类型：

* 基于 Token：根据 Token 数量分割文本，在使用语言模型时非常有用。
* 基于字符：根据字符数量分割文本，在不同类型的文本中更加一致。

使用 LangChain 的 `CharacterTextSplitter` 进行基于 Token 分割的示例实现：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_text_splitters import CharacterTextSplitter

text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0
)
texts = text_splitter.split_text(document)
```

**可用的文本分割器**：

* [按 Token 分割](/oss/python/integrations/splitters/split_by_token)
* [按字符分割](/oss/python/integrations/splitters/character_text_splitter)

## 基于文档结构

某些文档具有固有的结构，如 HTML、Markdown 或 JSON 文件。在这些情况下，基于文档结构进行分割是有益的，因为它通常自然地将语义相关的文本分组在一起。基于结构分割的主要优势：

* 保留文档的逻辑组织
* 在每个块内维持上下文
* 对下游任务（如检索或摘要）可能更有效

基于结构分割的示例：

* Markdown：根据标题分割（如 `#`、`##`、`###`）
* HTML：使用标签分割
* JSON：按对象或数组元素分割
* 代码：按函数、类或逻辑块分割

**可用的文本分割器**：

* [分割 Markdown](/oss/python/integrations/splitters/markdown_header_metadata_splitter)
* [分割 JSON](/oss/python/integrations/splitters/recursive_json_splitter)
* [分割代码](/oss/python/integrations/splitters/code_splitter)
* [分割 HTML](/oss/python/integrations/splitters/split_html)

***

<div className="source-links">
  <Callout icon="terminal-2">
    [通过 MCP 将这些文档连接到](/use-these-docs) Claude、VSCode 等工具以获取实时答案。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/integrations/splitters/index.mdx) 或 [提交 issue](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>