Langchain-Chatchat

1
import re
2
from typing import List, Optional, Any
3
from langchain.text_splitter import RecursiveCharacterTextSplitter
4
import logging
5

6
logger = logging.getLogger(__name__)
7

8

9
def _split_text_with_regex_from_end(
10
        text: str, separator: str, keep_separator: bool
11
) -> List[str]:
12
    # Now that we have the separator, split the text
13
    if separator:
14
        if keep_separator:
15
            # The parentheses in the pattern keep the delimiters in the result.
16
            _splits = re.split(f"({separator})", text)
17
            splits = ["".join(i) for i in zip(_splits[0::2], _splits[1::2])]
18
            if len(_splits) % 2 == 1:
19
                splits += _splits[-1:]
20
            # splits = [_splits[0]] + splits
21
        else:
22
            splits = re.split(separator, text)
23
    else:
24
        splits = list(text)
25
    return [s for s in splits if s != ""]
26

27

28
class ChineseRecursiveTextSplitter(RecursiveCharacterTextSplitter):
29
    def __init__(
30
            self,
31
            separators: Optional[List[str]] = None,
32
            keep_separator: bool = True,
33
            is_separator_regex: bool = True,
34
            **kwargs: Any,
35
    ) -> None:
36
        """Create a new TextSplitter."""
37
        super().__init__(keep_separator=keep_separator, **kwargs)
38
        self._separators = separators or [
39
            "\n\n",
40
            "\n",
41
            "。|！|？",
42
            "\.\s|\!\s|\?\s",
43
            "；|;\s",
44
            "，|,\s"
45
        ]
46
        self._is_separator_regex = is_separator_regex
47

48
    def _split_text(self, text: str, separators: List[str]) -> List[str]:
49
        """Split incoming text and return chunks."""
50
        final_chunks = []
51
        # Get appropriate separator to use
52
        separator = separators[-1]
53
        new_separators = []
54
        for i, _s in enumerate(separators):
55
            _separator = _s if self._is_separator_regex else re.escape(_s)
56
            if _s == "":
57
                separator = _s
58
                break
59
            if re.search(_separator, text):
60
                separator = _s
61
                new_separators = separators[i + 1:]
62
                break
63

64
        _separator = separator if self._is_separator_regex else re.escape(separator)
65
        splits = _split_text_with_regex_from_end(text, _separator, self._keep_separator)
66

67
        # Now go merging things, recursively splitting longer texts.
68
        _good_splits = []
69
        _separator = "" if self._keep_separator else separator
70
        for s in splits:
71
            if self._length_function(s) < self._chunk_size:
72
                _good_splits.append(s)
73
            else:
74
                if _good_splits:
75
                    merged_text = self._merge_splits(_good_splits, _separator)
76
                    final_chunks.extend(merged_text)
77
                    _good_splits = []
78
                if not new_separators:
79
                    final_chunks.append(s)
80
                else:
81
                    other_info = self._split_text(s, new_separators)
82
                    final_chunks.extend(other_info)
83
        if _good_splits:
84
            merged_text = self._merge_splits(_good_splits, _separator)
85
            final_chunks.extend(merged_text)
86
        return [re.sub(r"\n{2,}", "\n", chunk.strip()) for chunk in final_chunks if chunk.strip()!=""]
87

88

89
if __name__ == "__main__":
90
    text_splitter = ChineseRecursiveTextSplitter(
91
        keep_separator=True,
92
        is_separator_regex=True,
93
        chunk_size=50,
94
        chunk_overlap=0
95
    )
96
    ls = [
97
        """中国对外贸易形势报告（75页）。前 10 个月，一般贸易进出口 19.5 万亿元，增长 25.1%， 比整体进出口增速高出 2.9 个百分点，占进出口总额的 61.7%，较去年同期提升 1.6 个百分点。其中，一般贸易出口 10.6 万亿元，增长 25.3%，占出口总额的 60.9%，提升 1.5 个百分点；进口8.9万亿元，增长24.9%，占进口总额的62.7%， 提升 1.8 个百分点。加工贸易进出口 6.8 万亿元，增长 11.8%， 占进出口总额的 21.5%，减少 2.0 个百分点。其中，出口增 长 10.4%，占出口总额的 24.3%，减少 2.6 个百分点；进口增 长 14.2%，占进口总额的 18.0%，减少 1.2 个百分点。此外， 以保税物流方式进出口 3.96 万亿元，增长 27.9%。其中，出 口 1.47 万亿元，增长 38.9%；进口 2.49 万亿元，增长 22.2%。前三季度，中国服务贸易继续保持快速增长态势。服务 进出口总额 37834.3 亿元，增长 11.6%；其中服务出口 17820.9 亿元，增长 27.3%；进口 20013.4 亿元，增长 0.5%，进口增 速实现了疫情以来的首次转正。服务出口增幅大于进口 26.8 个百分点，带动服务贸易逆差下降 62.9%至 2192.5 亿元。服 务贸易结构持续优化，知识密集型服务进出口 16917.7 亿元， 增长 13.3%，占服务进出口总额的比重达到 44.7%，提升 0.7 个百分点。 二、中国对外贸易发展环境分析和展望 全球疫情起伏反复，经济复苏分化加剧，大宗商品价格 上涨、能源紧缺、运力紧张及发达经济体政策调整外溢等风 险交织叠加。同时也要看到，我国经济长期向好的趋势没有 改变，外贸企业韧性和活力不断增强，新业态新模式加快发 展，创新转型步伐提速。产业链供应链面临挑战。美欧等加快出台制造业回迁计 划，加速产业链供应链本土布局，跨国公司调整产业链供应 链，全球双链面临新一轮重构，区域化、近岸化、本土化、 短链化趋势凸显。疫苗供应不足，制造业“缺芯”、物流受限、 运价高企，全球产业链供应链面临压力。 全球通胀持续高位运行。能源价格上涨加大主要经济体 的通胀压力，增加全球经济复苏的不确定性。世界银行今年 10 月发布《大宗商品市场展望》指出，能源价格在 2021 年 大涨逾 80%，并且仍将在 2022 年小幅上涨。IMF 指出，全 球通胀上行风险加剧，通胀前景存在巨大不确定性。""",
98
        ]
99
    # text = """"""
100
    for inum, text in enumerate(ls):
101
        print(inum)
102
        chunks = text_splitter.split_text(text)
103
        for chunk in chunks:
104
            print(chunk)
105