Python針對不同文本長度的處理方案總結(jié)與對比
更新時間:2025年02月23日 10:29:34 作者:大霸王龍
這篇文章主要為大家詳細(xì)介紹了Python如何針對不同文本長度的處理方案,結(jié)合層次化編碼和檢索優(yōu)化策略,感興趣的小伙伴可以參考一下
直接上代碼+注釋
有意嘗試可交流
效果正在驗證中。
1.短文本處理(<500tokens)
from sentence_transformers import SentenceTransformer model = SentenceTransformer('all-MiniLM-L6-v2') # 384維小型模型 def process_short(text): """直接全文本編碼""" return model.encode(text, convert_to_tensor=True) # 示例 short_text = "自然語言處理的基礎(chǔ)概念" # 長度約15 tokens vector = process_short(short_text)
2. 中長文本處理 (500-2000 tokens)
from langchain_text_splitters import RecursiveCharacterTextSplitter def process_medium(text): """重疊分塊策略""" splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50, separators=["\n\n", "\n", "。", "!", "?"] ) chunks = splitter.split_text(text) return [model.encode(chunk) for chunk in chunks] # 示例 medium_text = "機器學(xué)習(xí)發(fā)展歷史...(約1500字)" # 約1800 tokens chunk_vectors = process_medium(medium_text)
3. 長文本處理 (2000-20000 tokens)
import spacy def process_long(text): """語義分塊+摘要增強""" # 加載語義分割模型 nlp = spacy.load("zh_core_web_sm") doc = nlp(text) # 按段落分割 chunks = [sent.text for sent in doc.sents] # 生成章節(jié)摘要 summary_model = SentenceTransformer('uer/sbert-base-chinese-nli') summaries = [summary_model.encode(chunk[:200]) for chunk in chunks] return chunks, summaries # 示例 long_text = "人工智能技術(shù)白皮書...(約2萬字)" # 約20000 tokens text_chunks, summary_vecs = process_long(long_text)
4. 超長文本處理 (20000-200000 tokens)
import faiss import numpy as np class HierarchicalIndex: def __init__(self): # 兩級索引結(jié)構(gòu) self.summary_index = faiss.IndexFlatL2(384) self.chunk_index = faiss.IndexIVFPQ( faiss.IndexFlatL2(384), 384, 100, 16, 8 ) self.metadata = [] def add_document(self, text): # 生成段落級摘要 chunks, summaries = process_long(text) # 構(gòu)建索引 summary_vecs = np.array(summaries).astype('float32') chunk_vecs = np.array([model.encode(c) for c in chunks]).astype('float32') self.summary_index.add(summary_vecs) self.chunk_index.add(chunk_vecs) self.metadata.extend(chunks) def search(self, query, k=5): # 先檢索摘要層 query_vec = model.encode(query).astype('float32') _, sum_indices = self.summary_index.search(np.array([query_vec]), 10) # 精搜相關(guān)塊 target_chunks = [self.chunk_index.reconstruct(i) for i in sum_indices] target_chunks = np.array(target_chunks).astype('float32') _, chunk_indices = self.chunk_index.search(target_chunks, k) return [self.metadata[i] for i in chunk_indices] # 使用示例 hindex = HierarchicalIndex() hindex.add_document("某領(lǐng)域技術(shù)文檔...(約15萬字)") # 約200000 tokens results = hindex.search("深度學(xué)習(xí)在醫(yī)療影像的應(yīng)用")
5. 海量文本處理 (>200000 tokens)
import dask.dataframe as dd from dask.distributed import Client def process_extreme(file_path): """分布式處理方案""" client = Client(n_workers=4) # 啟動Dask集群 # 分塊讀取 df = dd.read_parquet(file_path, chunksize=100000) # 并行編碼 df['vector'] = df['text'].map_partitions( lambda s: s.apply(model.encode), meta=('vector', object) ) # 構(gòu)建分布式索引 df.to_parquet("encoded_data.parquet", engine="pyarrow") # 示例(處理100萬條文本) process_extreme("massive_data.parquet")
性能優(yōu)化對照表=
文本長度 | 處理策略 | 索引類型 | 響應(yīng)時間 | 內(nèi)存消耗 |
---|---|---|---|---|
<500 | 直接編碼 | FlatIndex | <10ms | 1MB |
2000 | 重疊分塊 | IVF+PQ | 50-100ms | 50MB |
20000 | 語義分塊+摘要索引 | 二級索引 | 200-500ms | 300MB |
200000 | 層次化索引 | IVFOPQ+ProductQuant | 1-2s | 2GB |
>200000 | 分布式處理 | 分片索引 | 10s+ | 集群資源 |
關(guān)鍵處理技術(shù)
- 滑動窗口:通過
chunk_overlap
保留上下文連續(xù)性 - 語義分塊:使用spacy進行句子邊界檢測
- 層次化索引:摘要層加速粗篩,塊層保證精度
- 量化壓縮:PQ算法減少內(nèi)存占用(精度損失
以上就是Python針對不同文本長度的處理方案總結(jié)與對比的詳細(xì)內(nèi)容,更多關(guān)于Python文本處理的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
Python中使用partial改變方法默認(rèn)參數(shù)實例
這篇文章主要介紹了Python中使用partial改變方法默認(rèn)參數(shù)實例,本文直接給出使用實例,代碼中包含詳細(xì)注釋,需要的朋友可以參考下2015-04-04Python實現(xiàn)多圖繪制系統(tǒng)的示例代碼
這篇文章主要為大家詳細(xì)介紹了Python如何實現(xiàn)制作一個多圖繪制系統(tǒng),文中的示例代碼簡潔易懂,具有一定的借鑒價值,感興趣的小伙伴可以學(xué)習(xí)一下2023-09-09Python的Django框架中消息通知的計數(shù)器實現(xiàn)教程
通知的計數(shù)器非常有用,新通知時+1和讀過通知后的-1是最基本的功能,這里我們就來看一下Python的Django框架中消息通知的計數(shù)器實現(xiàn)教程2016-06-06使用Python實現(xiàn)屏幕錄制與鍵盤監(jiān)聽功能
在Python中,我們可以借助多個強大的庫來實現(xiàn)豐富的功能,比如屏幕錄制和鍵盤監(jiān)聽,今天,我們將通過結(jié)合PIL、OpenCV、pynput以及threading等庫,來實現(xiàn)一個簡單的屏幕錄制工具,該工具能夠通過監(jiān)聽鍵盤事件來控制錄制的開始與結(jié)束,需要的朋友可以參考下2024-12-12Django序列化中SerializerMethodField的使用詳解
這篇文章主要介紹了Django序列化中SerializerMethodField的使用,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2025-03-03