299 lines
22 KiB
Markdown
299 lines
22 KiB
Markdown
# 第二节 文本分块
|
||
|
||
## 一、理解文本分块
|
||
|
||
文本分块（Text Chunking）是构建 RAG 流程的关键步骤。它的原理是将加载后的长篇文档，切分成更小、更易于处理的单元。这些被切分出的文本块，是后续向量检索和模型处理的**基本单位**。
|
||
|
||
|
||
|
||
## 二、文本分块重要性
|
||
|
||
### 2.1 满足模型上下文限制
|
||
|
||
将文本分块的首要原因，是为了适应 RAG 系统中两个核心组件的硬性限制：
|
||
|
||
- **嵌入模型 (Embedding Model)**: 负责将文本块转换为向量。这类模型有严格的输入长度上限。例如，许多常用的嵌入模型（如 `bge-base-zh-v1.5`）的上下文窗口为512个token。任何超出此限制的文本块在输入时都会被截断，导致信息丢失，生成的向量也无法完整代表原文的语义。因此，文本块的大小**必须**小于等于嵌入模型的上下文窗口。
|
||
|
||
- **大语言模型 (LLM)**: 负责根据检索到的上下文生成答案。LLM同样有上下文窗口限制（尽管通常比嵌入模型大得多，从几千到上百万token不等）。检索到的所有文本块，连同用户问题和提示词，都必须能被放入这个窗口中。如果单个块过大，可能会导致只能容纳少数几个相关的块，限制了LLM回答问题时可参考的信息广度。
|
||
|
||
因此，分块是确保文本能够被两个模型完整、有效处理的基础。
|
||
|
||
### 2.2 为何“块”不是越大越好
|
||
|
||
假设嵌入模型最多能处理 8192 个 token，是否应该把块切得尽可能大（比如8000个token）呢？答案是否定的。**块的大小并非越大越好**，过大的块会严重影响RAG系统的性能。
|
||
|
||
#### 2.2.1 嵌入过程中的信息损失
|
||
|
||
大多数嵌入模型都基于 Transformer 编码器。其工作流程大致如下：
|
||
|
||
- **分词 (Tokenization)**: 将输入的文本块分解成一个个 token。
|
||
- **向量化 (Vectorization)**: Transformer 为**每个 token** 生成一个高维向量表示。
|
||
- **池化 (Pooling)**: 通过某种方法（如取 `[CLS]` 位的向量、对所有token向量求平均 `mean pooling` 等），将所有 token 的向量**压缩**成一个**单一的向量**，这个向量代表了整个文本块的语义。
|
||
|
||
> `[CLS]` 是BERT等Transformer模型在输入文本开头添加的特殊标记，它通过自注意力机制动态聚合整个序列的上下文信息，其最终向量被训练用作代表全局语义的嵌入。
|
||
|
||
在这个`压缩`过程中，信息损失是不可避免的。一个768维的向量需要概括整个文本块的所有信息。**文本块越长，包含的语义点越多，这个单一向量所承载的信息就越稀释**，导致其表示变得笼统，关键细节被模糊化，从而降低了检索的精度。
|
||
|
||
#### 2.2.2 生成过程的“大海捞针” (Lost in the Middle)
|
||
|
||
即使将检索到的多个大块文本都塞进LLM的长上下文窗口中，也会出现关键信息被“淹没”在大量无关内容里的问题。有研究表明 [^1]，当LLM处理非常长的、充满大量信息的上下文时，它倾向于更好地记住开头和结尾的信息，而忽略中间部分的内容。
|
||
|
||
如果提供给LLM的上下文块又大又杂，充满了与问题无关的噪音，模型就很难从中提取出最关键的信息来形成答案，从而导致回答质量下降或产生幻觉。
|
||
|
||
#### 2.2.3 主题稀释导致检索失败
|
||
|
||
一个好的文本块应该聚焦于一个明确、单一的主题。如果一个块包含太多不相关的主题，它的语义就会被稀释，导致在检索时无法被精确匹配。
|
||
|
||
**举个栗子🌰：**
|
||
|
||
假设有一个关于《王者荣耀》英雄鲁班七号的攻略文档。
|
||
|
||
- **糟糕的分块策略**：将“技能介绍”、“推荐出装”和“背景故事”这三个完全不同主题的内容，全部放在一个巨大的文本块里。
|
||
- 当玩家查询“鲁班七号怎么出装？”时，这个大块虽然包含了出装信息，但由于被技能说明和英雄故事等无关主题严重稀释，其整体的检索相关性得分可能会很低，导致无法被召回。
|
||
|
||
- **优秀的分块策略**：将“技能”、“出装”和“故事”分别切分为三个独立的、主题聚焦的块。
|
||
- 当玩家再次查询时，“推荐出装”这个块会因为与查询高度相关而获得极高的分数，从而被精准地检索出来。
|
||
|
||
通过合理分块，可以有效提升检索的信噪比，确保了后续生成环节能得到最优质、最相关的上下文。
|
||
|
||
## 三、基础分块策略
|
||
|
||
LangChain 提供了丰富且易于使用的文本分割器（Text Splitters），下面将介绍几种最核心的策略。
|
||
|
||
### 3.1 固定大小分块
|
||
|
||
这是最简单直接的分块方法。根据LangChain源码，这种方法的工作原理分为两个主要阶段：
|
||
|
||
（1）**按段落分割**：`CharacterTextSplitter` 采用默认分隔符 `"\n\n"`，使用正则表达式将文本按段落进行分割，通过 `_split_text_with_regex` 函数处理。
|
||
|
||
（2）**智能合并**：调用继承自父类的 `_merge_splits` 方法，将分割后的段落依次合并。该方法会监控累积长度，当超过 `chunk_size` 时形成新块，并通过重叠机制（`chunk_overlap`）保持上下文连续性，同时在必要时发出超长块的警告。
|
||
|
||
需要注意，`CharacterTextSplitter` 实际实现的并非严格的固定大小分块。根据 `_merge_splits` 源码逻辑，这种方法会：
|
||
|
||
- **优先保持段落完整性**：只有当添加新段落会导致总长度超过 `chunk_size` 时，才会结束当前块
|
||
- **处理超长段落**：如果单个段落超过 `chunk_size`，系统会发出警告但仍将其作为完整块保留
|
||
- **应用重叠机制**：通过 `chunk_overlap` 参数在块之间保持内容重叠，确保上下文连续性
|
||
|
||
所以，LangChain 的实现更准确地应该称为"段落感知的自适应分块"，块大小会根据段落边界动态调整。
|
||
|
||
下面的代码展示了如何配置一个固定大小分块器：
|
||
|
||
```python
|
||
from langchain.text_splitter import CharacterTextSplitter
|
||
from langchain_community.document_loaders import TextLoader
|
||
|
||
loader = TextLoader("../../data/C2/txt/蜂医.txt")
|
||
docs = loader.load()
|
||
|
||
text_splitter = CharacterTextSplitter(
|
||
chunk_size=200, # 每个块的目标大小为100个字符
|
||
chunk_overlap=10 # 每个块之间重叠10个字符，以缓解语义割裂
|
||
)
|
||
|
||
chunks = text_splitter.split_documents(docs)
|
||
|
||
print(f"文本被切分为 {len(chunks)} 个块。\n")
|
||
print("--- 前5个块内容示例 ---")
|
||
for i, chunk in enumerate(chunks[:5]):
|
||
print("=" * 60)
|
||
# chunk 是一个 Document 对象，需要访问它的 .page_content 属性来获取文本
|
||
print(f'块 {i+1} (长度: {len(chunk.page_content)}): "{chunk.page_content}"')
|
||
```
|
||
|
||
这种方法的主要优势在于实现简单、处理速度快且计算开销小。劣势在于可能会在语义边界处切断文本，影响内容的完整性和连贯性。实际的固定大小分块实现（如LangChain的 `CharacterTextSplitter`）通常会结合分隔符来减少这种问题，在段落边界处优先切分，只有在必要时才会强制按大小切断。因此，这种方法在日志分析、数据预处理等场景中仍有其应用价值。
|
||
|
||
### 3.2 递归字符分块
|
||
|
||
在前面的章节中，已经尝试了使用 `RecursiveCharacterTextSplitter` 的默认配置来处理文档分块。现在让我们深入了解 `RecursiveCharacterTextSplitter` 的实现。这种分块器通过分隔符层级递归处理，相对与固定大小分块，改善了超长文本的处理效果。
|
||
|
||
**算法流程**：
|
||
（1）**寻找有效分隔符**: 从分隔符列表中从前到后遍历，找到第一个在当前文本中**存在**的分隔符。如果都不存在，使用最后一个分隔符（通常是空字符串 `""`）。
|
||
|
||
（2）**切分与分类处理**: 使用选定的分隔符切分文本，然后遍历所有片段：
|
||
- **如果片段不超过块大小**: 暂存到 `_good_splits` 中，准备合并
|
||
- **如果片段超过块大小**:
|
||
- 首先，将暂存的合格片段通过 `_merge_splits` 合并成块
|
||
- 然后，检查是否还有剩余分隔符：
|
||
- **有剩余分隔符**: 递归调用 `_split_text` 继续分割
|
||
- **无剩余分隔符**: 直接保留为超长块
|
||
|
||
（3）**最终处理**: 将剩余的暂存片段合并成最后的块
|
||
|
||
**实现细节**：
|
||
- **批处理机制**: 先收集所有合格片段（`_good_splits`），遇到超长片段时才触发合并操作。
|
||
- **递归终止条件**: 关键在于 `if not new_separators` 判断。当分隔符用尽时（`new_separators` 为空），停止递归，直接保留超长片段。确保算法不会无限递归。
|
||
|
||
**与固定大小分块的关键差异**：
|
||
- 固定大小分块遇到超长段落时只能发出警告并保留。
|
||
- 递归分块会继续使用更细粒度的分隔符（句子→单词→字符）直到满足大小要求。
|
||
|
||
具体示例如下：
|
||
|
||
```python
|
||
from langchain.text_splitter import RecursiveCharacterTextSplitter
|
||
from langchain_community.document_loaders import TextLoader
|
||
|
||
loader = TextLoader("../../data/C2/txt/蜂医.txt")
|
||
docs = loader.load()
|
||
|
||
text_splitter = RecursiveCharacterTextSplitter(
|
||
separators=["\n\n", "\n", "。", "，", " ", ""], # 分隔符优先级
|
||
chunk_size=200,
|
||
chunk_overlap=10,
|
||
)
|
||
|
||
chunks = text_splitter.split_text(docs)
|
||
```
|
||
|
||
**分隔符配置**：
|
||
- **默认分隔符**：`["\n\n", "\n", " ", ""]`
|
||
- **多语言支持**：对于无词边界语言（中文、日文、泰文），可添加：
|
||
```python
|
||
separators=[
|
||
"\n\n", "\n", " ",
|
||
".", ",", "\u200b", # 零宽空格(泰文、日文)
|
||
"\uff0c", "\u3001", # 全角逗号、表意逗号
|
||
"\uff0e", "\u3002", # 全角句号、表意句号
|
||
""
|
||
]
|
||
```
|
||
|
||
**编程语言特化支持**：
|
||
|
||
`RecursiveCharacterTextSplitter` 能够针对特定的编程语言（如Python, Java等）使用预设的、更符合代码结构的分隔符。它们通常包含语言的顶级语法结构（如类、函数定义）和次级结构（如控制流语句），以实现更符合代码逻辑的分割。
|
||
|
||
```python
|
||
# 针对代码文档的优化分隔符
|
||
splitter = RecursiveCharacterTextSplitter.from_language(
|
||
language=Language.PYTHON, # 支持Python、Java、C++等
|
||
chunk_size=500,
|
||
chunk_overlap=50
|
||
)
|
||
```
|
||
|
||
递归字符分块的原理是采用一组有层次结构的分隔符（如段落、句子、单词）进行递归分割，旨在有效平衡语义完整性与块大小控制。在 `RecursiveCharacterTextSplitter` 的实现中，该分块器首先尝试使用最高优先级的分隔符（如段落标记）来切分文本。如果切分后的块仍然过大，会继续对这个大块应用下一优先级分隔符（如句号），如此循环往复，直到块满足大小限制。这种分层处理的机制，能够在尽可能保持高级语义结构完整性的同时，有效控制块大小。
|
||
|
||
### 3.3 语义分块
|
||
|
||
语义分块（Semantic Chunking）是一种更智能的方法，这种方法不依赖于固定的字符数或预设的分隔符，而是尝试根据文本的语义内涵来切分。其核心是：**在语义主题发生显著变化的地方进行切分**。这使得每个分块都具有高度的内部语义一致性。LangChain 提供了 `langchain_experimental.text_splitter.SemanticChunker` 来实现这一功能。
|
||
|
||
**实现原理**
|
||
|
||
`SemanticChunker` 的工作流程可以概括为以下几个步骤：
|
||
|
||
（1）**句子分割 (Sentence Splitting)**：首先，使用标准的句子分割规则（例如，基于句号、问号、感叹号）将输入文本拆分成一个句子列表。
|
||
|
||
（2）**上下文感知嵌入 (Context-Aware Embedding)**：这是 `SemanticChunker` 的一个关键设计。该分块器不是对每个句子独立进行嵌入，而是通过 `buffer_size` 参数（默认为1）来捕捉上下文信息。对于列表中的每一个句子，这种方法会将其与前后各 `buffer_size` 个句子组合起来，然后对这个临时的、更长的组合文本进行嵌入。这样，每个句子最终得到的嵌入向量就融入了其上下文的语义。
|
||
|
||
（3）**计算语义距离 (Distance Calculation)**：计算每对**相邻**句子的嵌入向量之间的余弦距离。这个距离值量化了两个句子之间的语义差异——距离越大，表示语义关联越弱，跳跃越明显。
|
||
|
||
（4）**识别断点 (Breakpoint Identification)**：`SemanticChunker` 会分析所有计算出的距离值，并根据一个统计方法（默认为 `percentile`）来确定一个动态阈值。例如，它可能会将所有距离中第95百分位的值作为切分阈值。所有距离大于此阈值的点，都被识别为语义上的“断点”。
|
||
|
||
（5）**合并成块 (Merging into Chunks)**：最后，根据识别出的所有断点位置，将原始的句子序列进行切分，并将每个切分后的部分内的所有句子合并起来，形成一个最终的、语义连贯的文本块。
|
||
|
||
**断点识别方法 (`breakpoint_threshold_type`)**
|
||
|
||
如何定义“显著的语义跳跃”是语义分块的关键。`SemanticChunker` 提供了几种基于统计的方法来识别断点：
|
||
|
||
- `percentile` (百分位法 - **默认方法**):
|
||
- **逻辑**: 计算所有相邻句子的语义差异值，并将这些差异值进行排序。当一个差异值超过某个百分位阈值时，就认为该差异值是一个断点。
|
||
- **参数**: `breakpoint_threshold_amount` (默认为 `95`)，表示使用第95个百分位作为阈值。这意味着，只有最显著的5%的语义差异点会被选为切分点。
|
||
|
||
- `standard_deviation` (标准差法):
|
||
- **逻辑**: 计算所有差异值的平均值和标准差。当一个差异值超过“平均值 + N * 标准差”时，被视为异常高的跳跃，即断点。
|
||
- **参数**: `breakpoint_threshold_amount` (默认为 `3`)，表示使用3倍标准差作为阈值。
|
||
|
||
- `interquartile` (四分位距法):
|
||
- **逻辑**: 使用统计学中的四分位距（IQR）来识别异常值。当一个差异值超过 `Q3 + N * IQR` 时，被视为断点。
|
||
- **参数**: `breakpoint_threshold_amount` (默认为 `1.5`)，表示使用1.5倍的IQR。
|
||
|
||
- `gradient` (梯度法):
|
||
- **逻辑**: 这是一种更复杂的方法。它首先计算差异值的变化率（梯度），然后对梯度应用百分位法。对于那些句子间语义联系紧密、差异值普遍较低的文本（如法律、医疗文档）特别有效，因为这种方法能更好地捕捉到语义变化的“拐点”。
|
||
- **参数**: `breakpoint_threshold_amount` (默认为 `95`)。
|
||
|
||
**具体示例如下**
|
||
|
||
```python
|
||
import os
|
||
## os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
|
||
from langchain_experimental.text_splitter import SemanticChunker
|
||
from langchain_community.embeddings import HuggingFaceEmbeddings
|
||
from langchain_community.document_loaders import TextLoader
|
||
|
||
embeddings = HuggingFaceEmbeddings(
|
||
model_name="BAAI/bge-small-zh-v1.5",
|
||
model_kwargs={'device': 'cpu'},
|
||
encode_kwargs={'normalize_embeddings': True}
|
||
)
|
||
|
||
# 初始化 SemanticChunker
|
||
text_splitter = SemanticChunker(
|
||
embeddings,
|
||
breakpoint_threshold_type="percentile" # 断点识别方法
|
||
)
|
||
|
||
loader = TextLoader("../../data/C2/txt/蜂医.txt")
|
||
documents = loader.load()
|
||
|
||
docs = text_splitter.split_documents(documents)
|
||
```
|
||
|
||
### 3.4 基于文档结构的分块
|
||
|
||
对于具有明确结构标记的文档格式（如Markdown、HTML、LaTex），可以利用这些标记来实现更智能、更符合逻辑的分割。
|
||
|
||
#### 以 Markdown 结构分块为例
|
||
|
||
针对结构清晰的 Markdown 文档，利用其标题层级进行分块是一种高效且保留了丰富语义的方法。LangChain 提供了 `MarkdownHeaderTextSplitter` 来处理。
|
||
|
||
- **实现原理**: 该分块器的主要逻辑是“先按标题分组，再按需细分”。
|
||
1. **定义分割规则**: 用户首先需要提供一个标题层级的映射关系，例如 `[ ("#", "Header 1"), ("##", "Header 2") ]`，告诉分块器 `#` 是一级标题，`##` 是二级标题。
|
||
2. **内容聚合**: 分块器会遍历整个文档，将每个标题下的所有内容（直到下一个同级或更高级别的标题出现前）聚合在一起。每个聚合后的内容块都会被赋予一个包含其完整标题路径的元数据。
|
||
|
||
- **元数据注入的优势**: 这是此方法的主要特点。例如，对于一篇关于机器学习的文章，某个段落可能位于“第三章：模型评估”下的“3.2节：评估指标”中。经过分割后，这个段落形成的文本块，其元数据就会是 `{"Header 1": "第三章：模型评估", "Header 2": "3.2节：评估指标"}`。这种元数据为每个块提供了精确的“地址”，极大地增强了上下文的准确性，让大模型能更好地理解信息片段的来源和背景。
|
||
|
||
- **局限性与组合使用**: 单纯按标题分割可能会导致一个问题：某个章节下的内容可能非常长，远超模型能处理的上下文窗口。为了解决这个问题，`MarkdownHeaderTextSplitter` 可以与其它分块器（如 `RecursiveCharacterTextSplitter`）**组合使用**。具体流程是：
|
||
- 第一步，使用 `MarkdownHeaderTextSplitter` 将文档按标题分割成若干个大的、带有元数据的逻辑块。
|
||
- 第二步，对这些逻辑块再应用 `RecursiveCharacterTextSplitter`，将其进一步切分为符合 `chunk_size` 要求的小块。由于这个过程是在第一步之后进行的，所有最终生成的小块都会**继承**来自第一步的标题元数据。
|
||
|
||
- **RAG应用优势**: 这种两阶段的分块方法，既保留了文档的宏观逻辑结构（通过元数据），又确保了每个块的大小适中，是处理结构化文档进行RAG的理想方案。
|
||
|
||
## 四、其他开源框架中的分块策略
|
||
|
||
### 4.1 Unstructured：基于文档元素的智能分块
|
||
|
||
`Unstructured`是一个强大的文档处理工具，同样提供了实用的[分块功能](https://docs.unstructured.io/open-source/core-functionality/chunking)。
|
||
|
||
（1）**分区 (Partitioning)**: 这是一个重要功能，负责将原始文档（如PDF、HTML）解析成一系列结构化的“元素”（Elements）。每个元素都带有语义标签，如 `Title` (标题)、`NarrativeText` (叙述文本)、`ListItem` (列表项) 等。这个过程本身就完成了对文档的深度理解和结构化。
|
||
|
||
（2）**分块 (Chunking)**: 该功能建立在**分区**的结果之上。分块功能不是对纯文本进行操作，而是将分区产生的“元素”列表作为输入，进行智能组合。Unstructured 提供了两种主要的分块方法：
|
||
- **`basic`**: 这是默认方法。这种方法会连续地组合文档元素（如段落、列表项），直到达到 `max_characters` 上限，尽可能地填满每个块。如果单个元素超过上限，则会对其进行文本分割。
|
||
- **`by_title`**: 该方法在 `basic` 方法的基础上，增加了对“章节”的感知。该方法将 `Title` 元素视为一个新章节的开始，并强制在此处开始一个新的块，确保同一个块内不会包含来自不同章节的内容。这在处理报告、书籍等结构化文档时非常有用，效果类似于 LangChain 的 `MarkdownHeaderTextSplitter`，但适用范围更广。
|
||
|
||
Unstructured 允许将分块作为分区的一个参数在单次调用中完成，也支持在分区之后作为一个独立的步骤来执行分块。这种“先理解、后分割”的策略，使得 Unstructured 能在最大程度上保留文档的原始语义结构，特别是在处理版式复杂的文档时，优势尤为明显。
|
||
|
||
### 4.2 LlamaIndex：面向节点的解析与转换
|
||
|
||
[LlamaIndex](https://docs.llamaindex.ai/en/stable/module_guides/loading/node_parsers/modules/) 将数据处理流程抽象为对“**节点（Node）**”的操作。文档被加载后，首先会被解析成一系列的“节点”，分块只是节点转换（Transformation）中的一环。
|
||
|
||
LlamaIndex 的分块体系有以下特点：
|
||
|
||
（1）**丰富的节点解析器 (Node Parser)**: LlamaIndex 提供了大量针对特定数据格式和方法的节点解析器，可以大致分为几类：
|
||
- **结构感知型**: 如 `MarkdownNodeParser`, `JSONNodeParser`, `CodeSplitter` 等，能理解并根据源文件的结构（如Markdown标题、代码函数）进行切分。
|
||
- **语义感知型**:
|
||
- `SemanticSplitterNodeParser`: 与 LangChain 的 `SemanticChunker` 类似，这种解析器使用嵌入模型来检测句子之间的语义“断点”，在语义连续性明显减弱的地方切开，从而让每个 chunk 内部尽量连贯。
|
||
- `SentenceWindowNodeParser`: 这是一种巧妙的方法。该方法将文档切分成单个的句子，但在每个句子节点（Node）的元数据中，会存储其前后相邻的N个句子（即“窗口”）。这使得在检索时，可以先用单个句子的嵌入进行精确匹配，然后将包含上下文“窗口”的完整文本送给LLM，极大地提升了上下文的质量。
|
||
- **常规型**: 如 `TokenTextSplitter`, `SentenceSplitter` 等，提供基于Token数量或句子边界的常规切分方法。
|
||
|
||
（2）**灵活的转换流水线**: 用户可以构建一个灵活的流水线，例如先用 `MarkdownNodeParser` 按章节切分文档，再对每个章节节点应用 `SentenceSplitter` 进行更细粒度的句子级切分。每个节点都携带丰富的元数据，记录着其来源和上下文关系。
|
||
|
||
（3）**良好的互操作性**: LlamaIndex 提供了 `LangchainNodeParser`，可以方便地将任何 LangChain 的 `TextSplitter` 封装成 LlamaIndex 的节点解析器，无缝集成到其处理流程中。
|
||
|
||
### 4.3 ChunkViz：简易的可视化分块工具
|
||
|
||
在本文开头部分展示的分块图就是通过 [**ChunkViz**](https://chunkviz.up.railway.app/) 生成的。可以将你的文档、分块配置作为输入，用不同的颜色块展示每个 chunk 的边界和重叠部分，方便快速理解分块逻辑。
|
||
|
||
## 参考文献
|
||
|
||
[^1]: [Nelson F. Liu, et al. (2023). *Lost in the Middle: How Language Models Use Long Contexts*](https://arxiv.org/abs/2307.03172).
|