当我的文本在句子之间有很多点时，如何将文本拆分为句子？ [关闭]答案

【问题标题】：How to split text to sentences when my text has many dots in-between sentences? [closed]当我的文本在句子之间有很多点时，如何将文本拆分为句子？ [关闭]
【发布时间】：2020-06-27 09:08:31
【问题描述】：

要求是：

句子的开头必须是首字母大写的单词( As, The, In) ONLY，句子的结尾应该是一个点。
例如：

输入："This is a new book. I like to read this book"

预期输出：['This is a new book.' , 'I like to read this book']
但是，如果句末有引文，则应将其包含在句子中。在这种情况下，点可能在引用之后（或）在引用之前和之后。

例如：

输入："This is a new book.(Steve and Rasol 2014). I like to read this book (Rashi & Shabana 2015)."

预期输出：['This is a new book.(Steve and Rasol 2014)' , 'I like to read this book (Rashi & Shabana 2015).']

【问题讨论】：

到目前为止你有什么尝试？
r'\w。 +(\w. +\d{4} ) ' - 这个模式对我有用。

标签： python text split nlp

【解决方案1】：

你可以使用这个正则表达式：

 [A-Z](.|\n)*?(\(.+?\))?\.(.|\n|$)(?!\()

编辑

你可以使用这个优化的正则表达式

[A-Z](.|\n)*?\.(.|\n|$)(?!\()

[A-Z]句子以大写字母开头
(.|\n)*?句子可以有每个字符或换行
\. 句子以点结束...
(?!\() ...并且在

使用此站点进行测试：https://regexr.com/

Java 示例

String s = "This is a new book. (Steve and Rasol 2014). I like to read this book (Rashi & Shabana 2015).";
Pattern pattern = Pattern.compile("[A-Z](.|\\n)*?\\.(.|\\n|$)(?!\\()");
Matcher matcher = pattern.matcher(s);
while (matcher.find()) {
   for (int i = 0; i < matcher.groupCount(); i++) {
       System.out.println(matcher.group(i));
   }
}

【讨论】：

【解决方案2】：

由于您列出的数据由. 分隔，您可以使用array = data.split('. ') 命令将数据拆分为一个数组。此外，要在每个项目的末尾添加 .，您可以遍历数组并检查 . 是否存在于末尾，如果不存在则追加它。

【讨论】：

【解决方案3】：

sentence = "This is a new book(Steve and Rasol 2014). " \
           "I like to read this book (Rashi & Shabana 2015)."
str = sentence.split(".")
print(str)

输出：

['This is a new book(Steve and Rasol 2014)', 'I like to read this book (Rashi & Shabana 2015).']

【讨论】：

您的代码不会执行 OP 在问题中提出的要求。即'This is a new book.(Steve and Rasol 2014)' 会被错误地分成两个字符串。