一、问题
实现对文本的分句，大致来说主要是以中文的句号、感叹、问号等符号进行分句。难点在于直接分句可能会造成人物说话的语句也被分开！
二、步骤
分段
首先读取文本，文本读取后整体是一个字符串，每一个段之间是空白，所以分段之间按照空白分开来即可，最后存入一个paragraph_list，注意该list的下标就是段落的顺序号！其他的这里就不再多赘述！（可以查看最后的整体代码）
分句
首先拿到上面分好的paragraph_list，循环拿到每一段，然后对每一段直接按照分句规则（正则表达式）进行分句，参考该文章
立即学习“Python免费学习笔记（深入）”；
import re
def cut_sent(para):
para = re.sub('([。！？\?])([^”'])', r"\1\n\2", para)
para = re.sub('(\.{6})([^”'])', r"\1\n\2", para)
para = re.sub('(\…{2})([^”'])', r"\1\n\2", para)
para = re.sub('([。！？\?][”'])([^，。！？\?])', r'\1\n\2', para)
para = para.rstrip()
return para.split("\n")
# 这一段文字分句后应该有的结果
s = '今天天气好啊！' \
'温度高吗？你好，很高兴遇见你，真不错。' \
'小明遇见小红说："你的衣服这好看！"' \
'小红说："什么？衣服真好看？真的吗？"' \
'小明回答到："嗯，真的！我也想买。"'
for i in cut_sent(s):
print(i)
#结果将人物语句也分开
"""
今天天气好啊！
温度高吗？
你好，很高兴遇见你，真不错。
小明遇见小红说："你的衣服这好看！
"小红说："什么？
衣服真好看？
真的吗？
"小明回答到："嗯，真的！
我也想买。
"
"""连接
这里解决办法就是循环每一句，识别："和"
两个符号均有，则该句直接就是一整句，直接就加入
两个符号都没有，则该句直接就是一整句，直接就加入
如果只有前面符号而无后面符号，则记录有前面符号那一句，依次往下拼接，直到遇到字符最后有“，将上面拼接好的语句作为一整句放入
def connect(paragraph):
sentence_before = []
sentence_after = []
for each_para in paragraph:
sentence_before.append(cut(each_para))
# 核心代码！（将被错分的语句进行连接）
for each in sentence_before:
list = []
sentence = ""
FLAG = True # 非常关键！判断有'：“'的符号后面的语句是否继续拼接
for i in each:
if i.find('：“') * i.find('”') >= 0 and FLAG:
list.append(i + sentence)
else:
FLAG = False
sentence = sentence + i
if i.find('”') > 0:
list.append(sentence)
sentence = ""
FLAG = True
sentence_after.append(list)
return sentence_after三、最后整体代码
import re
import pandas as pd
# 将整篇文章进行分段
def segments(url):
raw = pd.read_csv(url,names=['txt'], sep='aaa', encoding="GBK" ,engine='python')
def m_head(tem_str):
return tem_str[:1]
def m_mid(tmp_str):
return tmp_str.find("回 ")
raw['head'] = raw.txt.apply(m_head)
raw['mid'] = raw.txt.apply(m_mid)
raw['len'] = raw.txt.apply(len)
chap_num = 0
for i in range(len(raw)):
if raw['head'][i] == "第" and raw['mid'][i] > 0 and raw['len'][i] < 30:
chap_num += 1
if chap_num >= 40 and raw['txt'][i] == "附录一：成吉思汗家族":
chap_num = 0
raw.loc[i, 'chap'] = chap_num
del raw['head']
del raw['mid']
del raw['len']
tmp_chap = raw[raw['chap'] == 7].copy()
tmp_chap.reset_index(drop=True, inplace=True)
tmp_chap['paraidx'] = tmp_chap.index
paragraph = tmp_chap['txt'].values.tolist()
return paragraph
# 将每段进行分句
def cut(para):
# 相关规则
pattern = ['([。！？\?])([^”'])','(\.{6})([^”'])','(\…{2})([^”'])','([。！？\?][”'])([^，。！？\?])']
for i in pattern:
para = re.sub(i, r"\1\n\2", para)
para = para.rstrip()
return para.split("\n")
# 将其中被错分的语句进行连接(主要是针对话语)
def connect(paragraph):
sentence_before = []
sentence_after = []
for each_para in paragraph:
sentence_before.append(cut(each_para))
# 核心代码！（将被错分的语句进行连接）
for each in sentence_before:
list = []
sentence = ""
FLAG = True # 非常关键！判断有'：“'的符号后面的语句是否继续拼接
for i in each:
if i.find('：“') * i.find('”') >= 0 and FLAG:
list.append(i + sentence)
else:
FLAG = False
sentence = sentence + i
if i.find('”') > 0:
list.append(sentence)
sentence = ""
FLAG = True
sentence_after.append(list)
return sentence_after
# 将最后的结果保存到DataFrame
def toDataFrame(list3):
df = pd.DataFrame(columns=["content","paragraph","sentence"])
for para_num,i in enumerate(list3):
for sentence_num,j in enumerate(i):
df_ = pd.DataFrame({"content": j, "paragraph": para_num,"sentence":sentence_num+1},index=[para_num])
df = df.append(df_,ignore_index=True)
for i in df['content'].values.tolist():
print(i)
def main():
# URL = "/Users/dengzhao/Downloads/金庸-射雕英雄传txt精校版.txt"
URL = input("请输入文件地址：")
para = segments(URL)
result = connect(para)
print(result)
flag = input("以DataFrame形式输出数据(Y,N)：")
if flag == 'Y':
toDataFrame(result)
elif flag == 'N':
print("Thanks！！！！")
else:
print("程序结束！请检查的你的输入！")
if __name__ == '__main__':
main() 
