精确拆分句子

Question

我的程序需要一个文本文件，并使用split('.')这意味着当它注册一个句号但它可能不准确，将拆分拆分每个句子到一个列表。

For Example

str='i love carpets. In fact i own 2.4 km of the stuff.'

产量

listOfSentences = ['i love carpets', 'in fact i own 2', '4 km of the stuff']

所需的输出

 listOfSentences = ['i love carpets', 'in fact i own 2.4 km of the stuff']

我的问题是：我如何拆分句子的末尾，而不是在每一个句号。

Answer 1

如果你有两个句子结尾的“” “”和，你可以尝试正则表达式：

import re

text = "your text here. i.e. something."
sentences = re.split(r'(?<!\w\.\w.)(?<![A-Z][a-z]\.)(?<=\.|\?)\s', text)

来源：Python - RegEx for splitting text into sentences (sentence-tokenizing)

Answer 2

像“我看到史密斯先生。”任何基于正则表达式的方法无法处理的情况下，加入黑客对这些案件是不可扩展的。由于用户EST曾评论，任何严肃的实现使用数据。

如果你需要处理的英语才spaCy比NLTK更好：

from spacy.en import English
en = English()
doc = en(u'i love carpets. In fact i own 2.4 km of the stuff.')
for s in list(doc.sents):
    print s.string

更新：spaCy现在支持多国语言。

Answer 3

最简单的方法是拆就点后面有一个空格为：

>>> s = 'i love carpets. In fact i own 2.4 km of the stuff.'
>>> s.split('. ')
['i love carpets', 'In fact i own 2.4 km of the stuff.']

Answer 4

在数字不分裂可以使用split模块的re函数来完成：

>>> import re
>>> s = 'i love carpets. In fact i own 2.4 km of the stuff.'
>>> re.split(r'\.[^0-9]', s)
['i love carpets', 'In fact i own 2.4 km of the stuff.']