Text chunking with tokenization and spaces (some words were dropped)

I’m trying to break a text into chunks using a tokenization-aware approach that attempts to split the text at spaces or endlines when possible. The goal is to avoid breaking words or, if feasible, lines. However, I’m encountering an issue where some words are missing in the final output, particularly when the size of the text chunk equals the maximal chunk size.

Here’s the code I’m using:

from transformers import AutoTokenizer

# Initialize tokenizer
tokenizer = AutoTokenizer.from_pretrained('model_id')

# Tokenize text
tokens = tokenizer.encode(my_text, return_tensors='pt')

# Chunk tokens into text
texts_chunks = chunk_tokens_into_text(tokens)

# Ensure the final text matches the original
assert ''.join(texts_chunks) == my_text

def get_this_chunk(pre_de_chunk):
    split_by_endline = pre_de_chunk.split("n")
    if len(split_by_endline) > 1:
        return "n".join(split_by_endline[:-1])
    split_by_space = pre_de_chunk.split(" ")
    if len(split_by_space) > 1:
        return " ".join(split_by_space[:-1])
    return pre_de_chunk[:-1]  # compensate for pre_chunk being +1

def chunk_tokens_into_text(tokens, chunk_size, overlap):
    text_chunks = []
    i = 0
    end = len(tokens[0])
    while True:
        next_pointer = i + chunk_size
        if next_pointer >= end:  # Collect last chunk
            final_chunk = tokens[0][i:]
            text_chunk = tokenizer.decode(final_chunk, skip_special_tokens=True)
            text_chunks.append(text_chunk)
            return text_chunks

        pre_chunk = tokens[0][i:next_pointer]  # +1 to ensure the full range is captured
        pre_de_chunk = tokenizer.decode(pre_chunk, skip_special_tokens=True)
        text_chunk = get_this_chunk(pre_de_chunk)

        size_in_tokens = tokenizer.encode(text_chunk, return_tensors='pt').size()[1]
        text_chunks.append(text_chunk)

        i += size_in_tokens - overlap

    

After running the chunk_tokens_into_text function, the reassembled text (using ”.join(texts_chunks)) doesn’t match the original my_text. It seems that some words are missing, especially when the size of the tokenized chunk (size_in_tokens) equals the chunk_size.

What I tried:

Adjusting how the i pointer is incremented, but the issue persists.
The function get_this_chunk is meant to refine chunk boundaries by checking for newline or space characters, but this seems to contribute to the word-dropping issue.

What is causing this effect? And how can I solve the issue?

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa

Text chunking with tokenization and spaces (some words were dropped)

I’m trying to break a text into chunks using a tokenization-aware approach that attempts to split the text at spaces or endlines when possible. The goal is to avoid breaking words or, if feasible, lines. However, I’m encountering an issue where some words are missing in the final output, particularly when the size of the text chunk equals the maximal chunk size.

Here’s the code I’m using:

from transformers import AutoTokenizer

# Initialize tokenizer
tokenizer = AutoTokenizer.from_pretrained('model_id')

# Tokenize text
tokens = tokenizer.encode(my_text, return_tensors='pt')

# Chunk tokens into text
texts_chunks = chunk_tokens_into_text(tokens)

# Ensure the final text matches the original
assert ''.join(texts_chunks) == my_text

def get_this_chunk(pre_de_chunk):
    split_by_endline = pre_de_chunk.split("n")
    if len(split_by_endline) > 1:
        return "n".join(split_by_endline[:-1])
    split_by_space = pre_de_chunk.split(" ")
    if len(split_by_space) > 1:
        return " ".join(split_by_space[:-1])
    return pre_de_chunk[:-1]  # compensate for pre_chunk being +1

def chunk_tokens_into_text(tokens, chunk_size, overlap):
    text_chunks = []
    i = 0
    end = len(tokens[0])
    while True:
        next_pointer = i + chunk_size
        if next_pointer >= end:  # Collect last chunk
            final_chunk = tokens[0][i:]
            text_chunk = tokenizer.decode(final_chunk, skip_special_tokens=True)
            text_chunks.append(text_chunk)
            return text_chunks

        pre_chunk = tokens[0][i:next_pointer]  # +1 to ensure the full range is captured
        pre_de_chunk = tokenizer.decode(pre_chunk, skip_special_tokens=True)
        text_chunk = get_this_chunk(pre_de_chunk)

        size_in_tokens = tokenizer.encode(text_chunk, return_tensors='pt').size()[1]
        text_chunks.append(text_chunk)

        i += size_in_tokens - overlap

    

After running the chunk_tokens_into_text function, the reassembled text (using ”.join(texts_chunks)) doesn’t match the original my_text. It seems that some words are missing, especially when the size of the tokenized chunk (size_in_tokens) equals the chunk_size.

What I tried:

Adjusting how the i pointer is incremented, but the issue persists.
The function get_this_chunk is meant to refine chunk boundaries by checking for newline or space characters, but this seems to contribute to the word-dropping issue.

What is causing this effect? And how can I solve the issue?

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật