Python針對不同文本長度的處理方案總結與對比
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介紹了Python如何針對不同文本長度的處理方案,結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 = "機器學習發(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):
# 兩級索引結構
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("某領域技術文檔...(約15萬字)") # 約200000 tokens
results = hindex.search("深度學習在醫(yī)療影像的應用")
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 | 響應時間 | 內存消耗 |
|---|---|---|---|---|
| <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 |
關鍵處理技術
- 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與對比的詳細內容,更多關于Python文本處理的資料請關注腳本之家其它相關文章!
相關文章
python實現(xiàn)的web監(jiān)控系統(tǒng)
這篇文章主要介紹了python實現(xiàn)的web監(jiān)控系統(tǒng),幫助大家更好的理解和學習使用python,感興趣的朋友可以了解下2021-04-04
Python plt.boxplot函數(shù)及其參數(shù)使用小結
plt.boxplot函數(shù)用于繪制箱線圖,本文介紹了Python plt.boxplot函數(shù)及其參數(shù)使用小結,文中通過示例代碼介紹的非常詳細,需要的朋友們下面隨著小編來一起學習學習吧2024-02-02

