LlamaIndex 的 SentenceSplitter 句子分割器，需要配置中文分词-马育民老师

# 介绍

使用 LlamaIndex 的 `SentenceSplitter` 处理中文知识库时，**需要配置中文 NLP 工具**，否则会出现 **分词混乱**、**语义割裂** 等问题（例如将“人工智能”拆成“人工智”和“能”）。

原因是 `SentenceSplitter` 默认基于 **英文规则**（按空格和标点分词），对无天然空格的中文适配性较差。

# 为什么需要配置中文分词？

`SentenceSplitter` 的核心功能是将文本拆分为有意义的“语义单元”（句子或短语），但中文与英文的语言结构差异很大：
- 英文通过空格分隔单词，标点（如 `.` `,`）可直接作为分句依据；
- 中文没有空格，词语边界模糊（如“学生会”可指“学生组织”或“学生开会”），需依赖分词工具识别词语边界；
- 中文分句标点（如“。”“！”“？”）的使用更灵活，有时还会用逗号“，”分隔长句，默认规则可能拆分不当。

因此，必须通过中文 NLP 工具（如分词库）增强 `SentenceSplitter` 对中文的处理能力。

# 如何配置中文分词 适配 `SentenceSplitter`？

核心是为 `SentenceSplitter` 注入**中文分词逻辑**和**中文分句规则**，推荐两种方案：

### 方案 1：基于 Jieba 分词的轻量配置（适合大多数场景）
Jieba 是轻量高效的中文分词工具，可直接集成到 `SentenceSplitter` 中，确保词语边界：

```
import jieba
from llama_index.text_splitter import SentenceSplitter

# 1. 定义中文分词函数（使用Jieba）
def chinese_tokenizer(text: str) -> list[str]:
    """将中文文本拆分为词语列表"""
    return list(jieba.cut(text))  # 精确模式分词

# 2. 配置中文适配的SentenceSplitter
chinese_text_splitter = SentenceSplitter(
    chunk_size=150,  # 中文单块建议150-200词（比英文小）
    chunk_overlap=20,  # 重叠20词，保持上下文连贯
    tokenizer=chinese_tokenizer,  # 注入中文分词逻辑
    separator="。"  # 优先按中文句号分句
)

# 测试中文分块效果
if __name__ == "__main__":
    chinese_text = """
    人工智能（AI）是计算机科学的一个分支，它致力于开发能够模拟人类智能的系统。
    这些系统可以学习、推理、识别模式，并自主做出决策。随着技术的发展，人工智能已经广泛应用于医疗、金融、教育等多个领域，
    极大地改变了人们的生活和工作方式。未来，人工智能的发展还将面临伦理、隐私等方面的挑战，需要全社会共同应对。
    """
    
    # 分块处理
    chunks = chinese_text_splitter.split_text(chinese_text)
    
    # 打印分块结果
    print(f"分块数量：{len(chunks)}")
    for i, chunk in enumerate(chunks, 1):
        print(f"\n块 {i}：{chunk}")
```

### 方案 2：基于 HanLP 的深度配置（适合复杂场景）
如果需要更精准的分句（如处理古文、专业术语），可使用 HanLP 的分句功能，它能理解中文复杂句式：

```
from hanlp_restful import HanLPClient
from llama_index.text_splitter import SentenceSplitter

# 1. 初始化HanLP（需申请API密钥，见https://hanlp.com/）
HanLP = HanLPClient(
    url="https://www.hanlp.com/api",
    auth="你的API密钥",
    language="zh"
)

# 2. 定义基于HanLP的分句+分词函数
def hanlp_tokenizer(text: str) -> list[str]:
    """用HanLP分句后再分词，确保语义完整"""
    # 先分句
    sentences = HanLP.split(text)["sentences"]
    # 再对每个句子分词，最后合并为词列表
    all_words = []
    for sent in sentences:
        words = HanLP.seg(sent)["tok/fine"]  # 精细分词
        all_words.extend(words)
    return all_words

# 3. 配置适配中文的SentenceSplitter
chinese_text_splitter = SentenceSplitter(
    chunk_size=200,  # 可适当放大，因HanLP分句更精准
    chunk_overlap=30,
    tokenizer=hanlp_tokenizer,
    separator="。"  # 辅助分句
)

# 测试效果
if __name__ == "__main__":
    chinese_text = """
    自然语言处理（NLP）是人工智能的一个重要分支，它研究计算机与人类语言的交互。
    在中文处理中，分词、词性标注和命名实体识别是基础任务。例如，"南京市长江大桥"这个短语，
    正确的分词应该是"南京市/长江大桥"，而不是"南京/市长/江大桥"，这需要NLP工具理解语义。
    """
    
    chunks = chinese_text_splitter.split_text(chinese_text)
    print(f"分块数量：{len(chunks)}")
    for i, chunk in enumerate(chunks, 1):
        print(f"\n块 {i}：{chunk}")
```

### 关键配置总结

1. **必须替换分词器**：用 Jieba 或 HanLP 的分词函数替代默认的英文分词器，确保词语不被割裂。
2. **调整分块大小**：中文单块建议 150-200 词（对应 300-400 字符），小于英文（英文通常 500 字符），因为中文信息密度更高。
3. **优化分隔符**：将 `separator` 设为“。”（中文句号），优先按完整句子拆分。

通过以上配置，`SentenceSplitter` 才能正确处理中文文本，为后续的向量嵌入和检索提供高质量的语义单元，避免因分块不当导致知识库回答混乱。

原文出处：http://www.malaoshi.top/show_1GW1ki1muRuD.html