Chonkie：一个极速且轻量级文本分块的革命者，解锁 RAG 分块多种策略

简介

Chonkie是一个用于RAG（检索增强生成）任务的轻量级、快速的文本分块库。

Chonkie 特点

• 功能丰富：提供多种分块器，满足不同的RAG应用需求。
• 易于使用：只需安装、导入即可使用。
• 速度快：分块速度快，性能优越。
• 支持广泛：支持多种分块器，包括TokenChunker、WordChunker、SentenceChunker、SemanticChunker和SDPMChunker。
• 轻量级：核心安装仅有9.7MB，远小于其他开源项目。
  
  

安装方法

1. 基础安装

2.按照依赖包进行划分chunker

代码示例

1. TokenChunker示例：将文本分割成固定大小token的块。

# Import the TokenChunker
from chonkie import TokenChunker
from autotiktokenizer import AutoTikTokenizer

# Initialize the tokenizer
tokenizer = AutoTikTokenizer.from_pretrained("gpt2")

# Initialize the chunker
chunker = TokenChunker(
    tokenizer=tokenizer,
    chunk_size=512, 
    chunk_overlap=128 
)

# Chunk a single piece of text
chunks = chunker.chunk("Woah! Chonkie, the chunking library is so cool! I love the tiny hippo hehe.")
for chunk in chunks:
    print(f"Chunk: {chunk.text}")
    print(f"Tokens: {chunk.token_count}")

# Chunk a batch of texts
texts = ["First text to chunk.", "Second text to chunk."]
batch_chunks = chunker.chunk_batch(texts)
for text_chunks in batch_chunks:
    for chunk in text_chunks:
        print(f"Chunk: {chunk.text}")
        print(f"Tokens: {chunk.token_count}")

# Use the chunker as a callable
chunks = chunker("Another text to chunk using __call__.")
for chunk in chunks:
    print(f"Chunk: {chunk.text}")
    print(f"Tokens: {chunk.token_count}")

2. WordChunker示例：根据单词/词语分割文本。

from chonkie import WordChunker
from autotiktokenizer import AutoTikTokenizer

tokenizer = AutoTikTokenizer.from_pretrained("gpt2")

chunker = WordChunker(
    tokenizer=tokenizer,
    chunk_size=512,
    chunk_overlap=128,
    mode="advanced"  # 'simple-基本的基于空间的分割' or 'advanced-处理标点符号和特殊大小写'
)

3. SentenceChunker示例：根据句子分割文本。

from chonkie import SentenceChunker
from autotiktokenizer import AutoTikTokenizer

tokenizer = AutoTikTokenizer.from_pretrained("gpt2")

chunker = SentenceChunker(
    tokenizer=tokenizer, # （可选）传入您选择的分词器，可以接受 tiktoken、tokenizer 和 transformers 分词器，优先授予 tiktoken。
    chunk_size=512, # （可选）传递块的大小。默认为 tokenizer 支持的最大大小（如果有）或 512。
    chunk_overlap=128, # （可选）接受 int 或 float。文本的连续块之间的重叠。默认为 min（0.25 * chunk_size， 128）。
    min_sentences_per_chunk=1 # 每个区块的最小句子数
)

4. SemanticChunker示例：根据语义相似性分割文本。

⚠️：大多数情况下，chunk_size、token_count取决于向量化模型上下文大小，而不是生成模型上下文长度。

from chonkie import SemanticChunker

chunker = SemanticChunker(
    embedding_model="all-minilm-l6-v2",
    max_chunk_size=512, # 从 SemanticChunker 接收的 chunk 的最大大小
    similarity_threshold=0.7 # 语义分组的阈值
)

5. SDPMChunker示例：使用语义双重遍历合并方法分割文本。

通过语义双通道合并方法对内容进行分组，该方法通过使用跳过窗口对语义相似的段落进行分组，即使它们不是连续出现的。

from chonkie import SDPMChunker

chunker = SDPMChunker(
    embedding_model="all-minilm-l6-v2",
    max_chunk_size=512,
    similarity_threshold=0.7, 
    skip_window=1 # 分块程序应注意的跳过窗口的大小。默认为 1。
)

设计理念

1. 核心原则

• 小但精确：分块大小适中，智能默认参数。
• 快如闪电：优化路径，缓存机制。
• 小而完整：最小化安装，模块化增长。
• 聪明的小块：合理分块，高效处理。
• 有目的的成长：智能分块带来更好的嵌入和生成质量。

2. 为什么需要分块？

• 效率：减少模型处理时间，节省内存。
• 准确性：提供准确的上下文信息，避免噪声干扰。

3. 如何实现快速分块？

• 使用Tiktoken：速度快，支持多线程。
• 预计算和缓存：避免重复计算，提高效率。
• 运行均值池化：节省嵌入模型成本。

问答回顾全文

问题1：Chonkie的TokenChunker有哪些关键参数？如何使用它进行文本分块？

• 答：TokenChunker的关键参数包括：
• tokenizer：一个实现了编码/解码接口的分词器，可以是字符串、tokenizers.Tokenizer或tiktoken.Encoding类型。
• chunk_size：每个分块的最大token数量。
• chunk_overlap：分块之间的重叠token数量。
• 使用TokenChunker进行文本分块的示例代码：

from chonkie import TokenChunker
from tokenizers import Tokenizer
tokenizer = Tokenizer.from_pretrained("gpt2")
chunker = TokenChunker(tokenizer)
chunks = chunker("Woah! Chonkie, the chunking library is so cool!")
for chunk in chunks:
    print(f"Chunk: {chunk.text}")
    print(f"Tokens: {chunk.token_count}")

问题2：Chonkie的SemanticChunker如何实现语义相似性分组？有哪些关键参数？

• 答：SemanticChunker通过使用预训练的语义嵌入模型来计算文本片段之间的相似性，并根据相似性阈值进行分组。其关键参数包括：
• embedding_model：用于语义嵌入的模型，可以是字符串（如"all-minilm-l6-v2"）或SentenceTransformer模型。
• max_chunk_size：从SemanticChunker接收的每个分块的最大大小。
• similarity_threshold：用于语义分组的相似性阈值。
• 使用SemanticChunker进行文本分块的示例代码：

from chonkie import SemanticChunker
chunker = SemanticChunker(embedding_model="all-minilm-l6-v2", max_chunk_size=512, similarity_threshold=0.7)
chunks = chunker("Woah! Chonkie, the chunking library is so cool!")
for chunk in chunks:
    print(f"Chunk: {chunk.text}")
    print(f"Tokens: {chunk.token_count}")

问题3：Chonkie的性能如何，与其他分块库相比有何优势？

• 答：Chonkie在性能和轻量级方面具有显著优势：
• Token分块：比最慢的竞争对手快33倍。
• 句子分块：快近2倍。
• 语义分块：快2.5倍。
• 大小：默认安装仅9.7MB，远小于竞争对手（80-171MB）。
• 速度：
• Chonkie通过以下优化实现快速分块：
• 使用Tiktoken作为默认分词器，速度比竞争对手快3-6倍。
• 预计算和缓存机制，避免重复计算，节省时间。
• 运行均值池化技术，减少嵌入成本。
• 这些优化使得Chonkie在处理大规模数据和实时应用时表现出色。

问题4：可以在不同的文本中多次运行一个Chunker吗？Chonkie 是线程安全的吗？

• 答：可以多次运行Chunker，无需重新初始化。Chonkie的分块器是线程安全的。