基于大模型做txt文档拆分的方法

代码地址

链接：https://pan.baidu.com/s/1bM1UXKIJyRi9g8_w0r03Ow
提取码：1234

问答类txt拆分方法

1、通过代码step1得到疑似包含问答对的文本；
2、人工挑选出包含问答对的文本；
3、基于如下提示词模板，将包含多个问答对的文本内容输入大模型，输出得到包含所有问题的json数据，得到问题后可以根据问题所在行切割问答对。

"""请将已知信息中的所有问题挑选出来，以JSON格式输出，输出示例为：{"问题":["问题1","问题2","问题3"]}
要求：
1、千万不要总结或概括问题！请直接复制已知信息的字符作为答案，绝对不要增加或删除任何字符，绝对不要添加标点符号或语气词！
2、必须找出已知信息中所有提出的问题，不要遗漏；
3、如果已知信息中没有出现提问，不要强行作答，必须输出空Json:{"问题":[]}；
4、超过50字的必须舍弃，不能作为候选问题！

##########################
已知信息：
台湾茶主要病虫害问答
问：乌龙茶枝条外表被黑色绒毛状物包裹，严重者造成枝条干枯，叶片萎凋。
答：经鉴定是为粘菌，一般均是通风不良及有机质充分时产生。
防治方法：罹病枝条剪除并保持通风良好，药剂可试用含铜杀菌剂防治。
问：茶（乌龙品种）叶片上表皮有凸起之淡黄化斑点，下表皮凹陷深褐色上布满白色网状物。
答：经显微镜检是为茶饼病。
茶饼病
防治方法：可用50%赐加落可湿性粉剂2000倍或84.2%三得芬乳剂2000倍或30%赛

输出：
{"问题":["问：乌龙茶枝条外表被黑色绒毛状物包裹，严重者造成枝条干枯，叶片萎凋。", "问：茶（乌龙品种）叶片上表皮有凸起之淡黄化斑点，下表皮凹陷深褐色上布满白色网状物。"]}

##########################
已知信息：
infomation

输出：
"""

非问答类文档txt拆分方法

–>文档内文本token数小于2200的文档不拆分，大于2200的长文档就拆分；
–>拆分长文档的思路是：找出文档中的一级标题，每个一级标题对应的内容拆分为一个txt文档；具体步骤如下：
1、按行读取长文档txt， 由于目标只是提取标题，标题行一般不会超过100字符，标题下面的文本内容可以不完整，于是将超过100字符长度的行通通缩减为100字符以内的句子，具体操作方法请看代码step2_normal_txt_process.py/simplify_line()函数；
2、文本按行缩减后，结合提示词一起输入大模型，大模型可以找出其中的标题。经测试，长文档按行大幅缩减字符后，大模型找出其中标题的准确度有所提升。
3、在大模型输出的标题列表中找出一级标题，具体请看get_target_title_from_title_list.py/get_first_level_title(）；
4、根据一级标题切割文档，第一个文档组成内容：引言+第1-N个标题，第2-N个文档组成内容：文档名+对应标题+标题下文本；

测试过3种提取标题的提示词，具体请看代码地址中的/prompt/title_prompt.py，/prompt/title_prompt2.py， /prompt/title_prompt3.py， 经过测试第3种提示词最通用最简单，如下：

"""请将```分隔号内文本的所有标题复制出来，以JSON格式输出，输出示例为：{"标题":["第1个标题","第2个标题","第3个标题"]}
要求：
1、完整复制标题行的所有字符；
2、必须忽略超过30个字的标题；
3、如果文本中没有出现标题，则输出空JSON：{"标题":[]}；

文本：```infomation```
"""

以上提示词几乎可以让大模型找出txt文本中的所有标题，包括小级别标题，通过一定的规则可以找出标题中的一级标题。

长文档切割示例

原文档

茶树根部的主要病害及其防治
以下介绍几种茶树根部的主要病害及其防治方法－－
1、 茶苗白绢病
1.1 分布及症状： 茶苗白绢病是一种常见的苗圃根部病害。
1.2 病原：是一种担子菌亚门薄膜革菌属的真菌。
2、茶根癌病（与茶苗立枯病比较）
2.1 分布及症状： 主要为害茶苗，在部分茶区发生严重，造成茶苗枯死。
2.2 病原：茶根癌病菌为野杆菌属[Agrobacterium tumefaciens(S.et T．) Conn．]细菌。
3、茶苗根结线虫病
3.1 分布及症状： 主要分布于温暖的产茶区。
3.2 防治方法：
①选择生荒地作苗圃，若是种过花生、瓜类、豆类、红薯等作物的地则不宜作苗圃，盛夏应将土壤深翻，在阳光下暴晒10天后再翻1次，可杀灭土壤中的线虫。
②对已发病的苗木应增施磷肥和钾肥；提高其抗病能力，同时用石灰消毒或用1：20的茶枯水施入土壤中也有较好的防治效果。

切分后的文档1

茶树根部的主要病害及其防治
以下介绍几种茶树根部的主要病害及其防治方法－－
1、 茶苗白绢病
1.1 分布及症状： 茶苗白绢病是一种常见的苗圃根部病害。
1.2 病原：是一种担子菌亚门薄膜革菌属的真菌。
2、茶根癌病（与茶苗立枯病比较）, 3、茶苗根结线虫病

切分后的文档2

茶树根部的主要病害及其防治
2、茶根癌病（与茶苗立枯病比较）
2.1 分布及症状： 主要为害茶苗，在部分茶区发生严重，造成茶苗枯死。
2.2 病原：茶根癌病菌为野杆菌属[Agrobacterium tumefaciens(S.et T．) Conn．]细菌。

切分后的文档3

茶树根部的主要病害及其防治
3、茶苗根结线虫病
3.1 分布及症状： 主要分布于温暖的产茶区。
3.2 防治方法：
①选择生荒地作苗圃，若是种过花生、瓜类、豆类、红薯等作物的地则不宜作苗圃，盛夏应将土壤深翻，在阳光下暴晒10天后再翻1次，可杀灭土壤中的线虫。
②对已发病的苗木应增施磷肥和钾肥；提高其抗病能力，同时用石灰消毒或用1：20的茶枯水施入土壤中也有较好的防治效果。