如何将段落拆分为句子答案

【问题标题】：How to Split a Paragraph into Sentences如何将段落拆分为句子
【发布时间】：2011-01-10 15:01:57
【问题描述】：

我一直在尝试使用：

$string="The Dr. is here!!! I am glad I'm in the U.S.A. for the Dr. quality is great!!!!!!";
preg_match_all('~.*?[?.!]~s',$string,$sentences);
print_r($sentences);

但它不适用于 Dr., U.S.A. 等。

有人有更好的建议吗？

【问题讨论】：

我不太了解正则表达式，但我在想是否有办法说最后一句之前的句子必须至少有 5 个字符长或类似的东西......
好吧，为了满足这种情况，您需要一个正则表达式来检查空格后跟一个大写字母，然后再进行拆分。我对正则表达式不熟悉，也许你可以这样做，但我认为规则可能很快就会变得更加复杂，可能你会使用一个简单的正则表达式 + 一个小状态机的组合来正确地做到这一点。跨度>
大写字母后面的空格不一定有效。想象一下使用这句话：Hello, Dr. Smith is ready for you. Please go to the E.R. where he is waiting.
Aaron：这就是为什么我说你需要将它与状态机结合起来。
Scott：这实际上只是一个区域，您可以根据某些变量的当前“状态”来决定行动方案。所以你会在'。你会有一个“博士”的“previousWord”。然后，您可以在“以 . 结尾但不以句子结尾的合法词”（或一些更复杂的模型）的列表中查找它，并决定是否在该点拆分成句子。

标签： php regex split text-segmentation

【解决方案1】：

没有任何简单的解决方案。您需要在应用程序中进行一些自然语言处理 (NLP) 并识别每个句子。有个东西叫OpenNLP，它是一个基于 JAVA 的 NLP 解析器工具。或 Ruby 中的 Stanford NLP parser。你可以为 php 找到类似的东西。

here我在PHP中找到了一组用于自然语言处理的类。

【讨论】：

+1 - 事实上，即使是使用 NLP 的解决方案在面对足够非正式（例如草率）的写作时也可能会失败，如果人们不遵循标点符号的基本规则，你就会被塞满.
该项目的文件似乎不再在线

【解决方案2】：

嗯，也许可以试试$sentences = preg_split('/.*?[?.!]+\s+/', $string);

【讨论】：

【解决方案3】：

这几乎是不可能的，因为您的示例清楚地表明标点符号可以用于例如Dr., U.S.A 等，使我们无法知道句子的开始/结束位置。

您必须搜索以下字符以确定新句子是否跟随（开始于）您提到的标点符号。

【讨论】：