Chonkie项目v1.0.3版本发布:新增可视化工具与多语言分块支持
2025-07-07 13:29:02作者:庞队千Virginia
Chonkie是一个专注于文本分块处理的Python库,旨在为开发者提供高效、灵活的文本分块解决方案。在最新发布的v1.0.3版本中,Chonkie带来了两项重要功能更新:全新的可视化工具Visualizer和多语言分块支持Recipes,同时对核心分块器进行了性能优化。
可视化工具Visualizer
新加入的Visualizer工具为文本分块过程提供了直观的可视化反馈,极大提升了开发者调试和分析分块结果的效率。这个工具支持两种输出方式:
- 终端输出:通过print方法直接在终端显示带有高亮标记的分块结果
- HTML保存:将分块结果保存为HTML文件,便于分享和进一步分析
使用Visualizer非常简单,只需几行代码即可实现分块结果的可视化:
from chonkie import Visualizer
viz = Visualizer()
viz.print(chunks) # 在终端打印彩色分块结果
viz.save("result.html", chunks) # 保存为HTML文件
可视化效果清晰展示了不同层级的分块结构,帮助开发者快速识别分块质量,特别适合调试复杂的分块规则和验证分块效果。
多语言分块支持Recipes
v1.0.3版本引入了Recipes概念,为不同语言和文档类型提供了开箱即用的分块配置。目前支持的语言包括:
- 英语(en)
- 印地语(hi)
- 中文(zh)
- 日语(jp)
- 韩语(ko)
同时支持Markdown文档的特殊分块处理。使用Recipes可以简化分块器的初始化过程:
from chonkie import RecursiveChunker
# 初始化Markdown文档分块器
markdown_chunker = RecursiveChunker.from_recipe("markdown", lang="en")
# 初始化印地语文本分块器
hindi_chunker = RecursiveChunker.from_recipe(lang="hi")
这一特性极大降低了处理多语言文本时的配置复杂度,开发者无需手动设置各种语言特有的分界符和规则。
性能优化
v1.0.3版本还对核心组件进行了多项性能改进:
- RecursiveChunker:重构了索引查找逻辑,移除了低效的.find操作,提升了分块速度
- SentenceChunker:移除了估计和反馈机制,简化了处理流程
- WordTokenizer:修正了count_tokens方法的实现,现在使用更高效的.tokenize而非.encode
这些优化使得Chonkie在处理大规模文本时表现更加出色,特别是在递归分块和句子分块场景下。
其他改进
- 修复了RecursiveRules.from_dict()方法中因.pop操作导致的KeyError问题
- 解决了RecursiveChunker中空格处理不完整的问题,确保文本重构的准确性
- 完善了包结构,确保所有模块都能正确导入
Chonkie v1.0.3版本的这些更新显著提升了库的易用性和功能性,特别是可视化工具和多语言支持的加入,使得文本分块处理变得更加直观和便捷。对于需要处理多语言内容或复杂文档结构的开发者来说,这些新特性将大大提高工作效率。
登录后查看全文
热门项目推荐
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息010GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0274get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java01Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K

deepin linux kernel
C
22
6

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
494
37

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
323
10

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
191

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
991
395

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
193
277

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
937
554

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70