Python针对不同文本长度的处理方案总结与对比

 更新时间:2025年02月23日 10:29:34   作者:大霸王龙  
这篇文章主要为大家详细介绍了Python如何针对不同文本长度的处理方案,结合层次化编码和检索优化策略,感兴趣的小伙伴可以参考一下

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脚本之家其它相关文章!

相关文章

  • python实现的web监控系统

    python实现的web监控系统

    这篇文章主要介绍了python实现的web监控系统,帮助大家更好的理解和学习使用python,感兴趣的朋友可以了解下
    2021-04-04
  • Python3中的json模块使用详解

    Python3中的json模块使用详解

    这篇文章主要介绍了Python3中的json模块使用详解,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2018-05-05
  • python获取指定时间差的时间实例详解

    python获取指定时间差的时间实例详解

    这篇文章主要介绍了python获取指定时间差的时间实例详解的相关资料,需要的朋友可以参考下
    2017-04-04
  • Python实现的IP端口扫描工具类示例

    Python实现的IP端口扫描工具类示例

    这篇文章主要介绍了Python实现的IP端口扫描工具类,结合实例形式分析了Python基于socket模块与多线程操作实现IP端口扫描的相关操作技巧,需要的朋友可以参考下
    2019-02-02
  • python自动化之如何利用allure生成测试报告

    python自动化之如何利用allure生成测试报告

    这篇文章主要给大家介绍了关于python自动化之如何利用allure生成测试报告的相关资料,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2021-05-05
  • 解决keras加入lambda层时shape的问题

    解决keras加入lambda层时shape的问题

    这篇文章主要介绍了解决keras加入lambda层时shape的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-06-06
  • Python获取航线信息并且制作成图的讲解

    Python获取航线信息并且制作成图的讲解

    今天小编就为大家分享一篇关于Python获取航线信息并且制作成图的讲解,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
    2019-01-01
  • Django利用Cookie实现反爬虫的例子

    Django利用Cookie实现反爬虫的例子

    这篇文章主要介绍了Django利用Cookie实现反爬虫,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2021-04-04
  • Python plt.boxplot函数及其参数使用小结

    Python plt.boxplot函数及其参数使用小结

    plt.boxplot函数用于绘制箱线图,本文介绍了Python plt.boxplot函数及其参数使用小结,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习吧
    2024-02-02
  • Python3删除排序数组中重复项的方法分析

    Python3删除排序数组中重复项的方法分析

    这篇文章主要介绍了Python3删除排序数组中重复项的方法,结合实例形式分析了Python3删除排序数组重复项的原理、相关遍历及删除操作技巧,需要的朋友可以参考下
    2019-01-01

最新评论