当前位置: 代码网 > it编程>前端脚本>Python > Python针对不同文本长度的处理方案总结与对比

Python针对不同文本长度的处理方案总结与对比

2025年02月23日 Python 我要评论
直接上代码+注释有意尝试可交流效果正在验证中。1.短文本处理(<500tokens)from sentence_transformers import sentencetransformermo

直接上代码+注释

有意尝试可交流

效果正在验证中。

1.短文本处理(<500tokens)

from sentence_transformers import sentencetransformer
model = sentencetransformer('all-minilm-l6-v2')  # 384维小型模型

def process_short(text):
    """直接全文本编码"""
    return model.encode(text, convert_to_tensor=true)

# 示例
short_text = "自然语言处理的基础概念"  # 长度约15 tokens
vector = process_short(short_text)

2. 中长文本处理 (500-2000 tokens)

from langchain_text_splitters import recursivecharactertextsplitter

def process_medium(text):
    """重叠分块策略"""
    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 = "机器学习发展历史...(约1500字)"  # 约1800 tokens
chunk_vectors = process_medium(medium_text)

3. 长文本处理 (2000-20000 tokens)

import spacy

def process_long(text):
    """语义分块+摘要增强"""
    # 加载语义分割模型
    nlp = spacy.load("zh_core_web_sm") 
    doc = nlp(text)
    
    # 按段落分割
    chunks = [sent.text for sent in doc.sents]
    
    # 生成章节摘要
    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 = "人工智能技术白皮书...(约2万字)"  # 约20000 tokens
text_chunks, summary_vecs = process_long(long_text)

4. 超长文本处理 (20000-200000 tokens)

import faiss
import numpy as np

class hierarchicalindex:
    def __init__(self):
        # 两级索引结构
        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):
        # 生成段落级摘要
        chunks, summaries = process_long(text)
        
        # 构建索引
        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):
        # 先检索摘要层
        query_vec = model.encode(query).astype('float32')
        _, sum_indices = self.summary_index.search(np.array([query_vec]), 10)
        
        # 精搜相关块
        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("某领域技术文档...(约15万字)")  # 约200000 tokens
results = hindex.search("深度学习在医疗影像的应用")

5. 海量文本处理 (>200000 tokens)

import dask.dataframe as dd
from dask.distributed import client

def process_extreme(file_path):
    """分布式处理方案"""
    client = client(n_workers=4)  # 启动dask集群
    
    # 分块读取
    df = dd.read_parquet(file_path, chunksize=100000)  
    
    # 并行编码
    df['vector'] = df['text'].map_partitions(
        lambda s: s.apply(model.encode),
        meta=('vector', object)
    )
    
    # 构建分布式索引
    df.to_parquet("encoded_data.parquet", engine="pyarrow")
    
# 示例(处理100万条文本)
process_extreme("massive_data.parquet")

性能优化对照表=

文本长度处理策略索引类型响应时间内存消耗
<500直接编码flatindex<10ms1mb
2000重叠分块ivf+pq50-100ms50mb
20000语义分块+摘要索引二级索引200-500ms300mb
200000层次化索引ivfopq+productquant1-2s2gb
>200000分布式处理分片索引10s+集群资源

关键处理技术

  • 滑动窗口:通过chunk_overlap保留上下文连续性
  • 语义分块:使用spacy进行句子边界检测
  • 层次化索引:摘要层加速粗筛,块层保证精度
  • 量化压缩:pq算法减少内存占用(精度损失

以上就是python针对不同文本长度的处理方案总结与对比的详细内容,更多关于python文本处理的资料请关注代码网其它相关文章!

(0)

相关文章:

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站仅提供信息存储服务,不拥有所有权,不承担相关法律责任。 如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 2386932994@qq.com 举报,一经查实将立刻删除。

发表评论

验证码:
Copyright © 2017-2025  代码网 保留所有权利. 粤ICP备2024248653号
站长QQ:2386932994 | 联系邮箱:2386932994@qq.com