将句子分成多行的字符串

Question

我正在尝试阅读和处理文件中的文本。问题是我需要把它分成句子，想不出办法……

这是文本文件的示例：

I went to a shop. I bought a pack of sausages 

and some milk. Sadly I forgot about the potatoes. I'm on my way 

to the store

to buy potatoes.

如您所见，句子在结束之前可以跨越多行。我知道我应该使用正则表达式，但想不出办法...

Answer 1

我尝试将单独的行添加到一个实心字符串中，然后将其拆分为几个句子。

这是我尝试使用的方法：

static void Sakiniai (string fv, string skyrikliai)
    {
        char[] skyrikliaiSak = { '.', '!', '?' };

        string[] lines = File.ReadAllLines(fv, Encoding.GetEncoding(1257));
        string naujas = "";

        foreach (string line in lines)
        {
            naujas += line;
            naujas += " ";
        }

        string[] sakiniai = naujas.Split(skyrikliaiSak);
        for(int i = 0; i < sakiniai.Length; i++)
        {
            Console.WriteLine(sakiniai[i]);
        }

    }

告诉我有没有更好的方法来做到这一点。

Answer 2

正如@maccettura 评论的那样，您可以尝试与此类似的东西。

string text = "...";
text = text.Replace(System.Environment.NewLine, " ").Replace("  ", " ");
        var sentences = text.Split(new char[] { '.', '!', '?' });
        foreach(string s in sentences)
        {
            Console.WriteLine(s);
        }

Answer 3

假设您将句子定义为输入的任何非空部分，由句点分隔。

大概是这样的：

(?<=^|\.)(.+?)(\.|$)

关键可能是您应该使用RegexOptions.Singleline 选项，以便. 匹配任何字符（而不是除\n 之外的任何字符）。

对上述模式的更详细解释：

1. (?<=^|\.) 是 Zero-Width Positive Lookbehind Assertion ，它要求您的待匹配项位于输入的开头或前面有句点。匹配的时段本身不会成为匹配的一部分。
2. (.+?) 是你的句子内容。 +? 运算符被称为惰性，因为它会尝试匹配尽可能短的输入部分。这是为了确保它不会从下一个模式部分抓取句号或下一个句子
3. (\.|$) 将匹配句子终止符或输入的结尾。

完整的工作示例：

Regex r = new Regex(@"(?<=^|\.)(.+?)(\.|$)", RegexOptions.Singleline);
String input = @"I went to a shop. I bought a pack of sausages
and some milk. Sadly I forgot about the potatoes. I'm on my way
to the store
to buy potatoes.";
foreach (var match in r.Matches(input))
{
    string sentence = match.ToString();
}

Answer 4

我不知道你的文字可以有多长，所以以防万一我会逐句做。

类似这样的：

        char[] periods = {'.', '!', '?'}; // or any other separator you may like

        string      line       = "";
        string      sentence   = "";

        using (StreamReader reader = new StreamReader ("filename.txt"))
        {
            while ((line = reader.ReadLine()) != null)
            {
                if (line.IndexOfAny(periods)<0)
                {
                    sentence += " " + line.Trim(); // increment sentence if there are no periods

                    // do whatever you want with the sentence
                    if (string.IsNullOrEmpty (sentence))
                        process(sentence);

                    continue;
                }

                // I'm using StringSplitOptions.None here so we handle lines ending with a period right
                string[] sentences = line.Split(periods, StringSplitOptions.None);

                for (int i = 0; i < sentences.Length; i++)
                {
                    sentence += " " + line.Trim(); // increment sentence if there are no periods

                    // do whatever you want with the sentence
                    if (string.IsNullOrEmpty(sentence))
                        process(sentence);

                    // we don't want to clean on the last piece of sentence as it will continue on the next line
                    if (i < sentences.Length - 1)
                    {
                        sentence = ""; // clean for next sentence
                    }
                }

            }

            // this step is only required if you might have the last line sentence ending without a period
            // do whatever you want with the sentence
            if (string.IsNullOrEmpty(sentence))
                process(sentence);

（请注意，如果您知道您只处理小文件，则不需要所有这些，您可以接受之前的建议）