将文本分成句子甚至是Mrs. Mrs.存在于文本中

Question

我有一个问题，我想使用fullstop（。）

将文本拆分成句子

例如：

先生。 Bean 是英国喜剧电视连续剧14集半小时剧集，由罗文阿特金森主演的主角。不同的剧集由Atkinson，Robin Driscoll，Richard Curtis和Ben Elton撰写。

如果我分开上面的文字，我有3个句子，如

1。先生。

2。 Bean是英国喜剧电视连续剧14集半小时剧集，主演罗文阿特金森为主角。不同的剧集由Atkinson，Robin Driscoll，Richard Curtis和Ben Elton撰写。

3。不同的剧集由Atkinson，Robin Driscoll，Richard Curtis和Ben Elton撰写。

---

我想在第二句中加入先生，因为文本应该分成两句而不是三句。

1。憨豆先生是英国喜剧电视连续剧，由罗文阿特金森主演的14个半小时剧集作为主角。不同的剧集由Atkinson，Robin Driscoll，Richard Curtis和Ben Elton撰写。

2。不同的剧集由Atkinson，Robin Driscoll，Richard Curtis和Ben Elton撰写。

请帮助我。我很欣赏社区的即时反馈。

感谢。

Answer 1

如果您正在寻找一种避免在缩写之后分割句子的方法（如a.m.），那么这是一个很难解决的自然语言问题。

如果你只想分开句子而不用担心先生或夫人（并且有一个不太可能出现在文本中的角色，如*），这里有一个简单的方法：

1. 将Mr.和Mrs.的所有实例替换为Mr*和Mrs*
2. 在.
上拆分文字 在结果数组中
3. ，将所有Mr*和Mrs*的实例替换为Mr.和Mrs.

这是一个使用NUL作为哨兵角色的版本，因为它几乎不可能无意中显示在文本中：

static IEnumerable<string> Splitter(string sentences)
{
    char sentinel = '\0';
    return sentences.Replace("Mr.", "Mr" + sentinel)
        .Replace("Mrs.", "Mrs" + sentinel)
        .Split(new[] { ". " }, StringSplitOptions.None)
        .Select(s => s.Replace("Mr" + sentinel, "Mr.")
                        .Replace("Mrs" + sentinel, "Mrs."));
}

如果你是那种认为任何特定角色有可能出现在你的文本中的偏执者，请随意使用GUID作为哨兵。

Answer 2

这样做的唯一方法（我现在可以想到）就是为split功能添加智能。什么时候用。作为分隔符，何时不是。

您可以这样做：

1. 将所有出现的<dot>替换为<dot><dot>。
2. 用Mr<dot>替换所有先生（以及字典中的其他条目）。
3. 使用剩余的点分割文本。
4. 以Mr.
替换所有Mr<dot>（及其他......）
5. 将所有出现的<dot><dot>替换为<dot>。

当然你可以使用另一个转义字符/字符串。

您可以保留翻译词典。最好在文件中，以便您可以为不同的语言使用不同的字典。

Answer 3

static IEnumerable<string> Splitter(string sentences)
{
    foreach (string s in 
        Regex.Split(sentences, "(?<!((mr)|(mrs)))\\.", RegexOptions.IgnoreCase))
    {
        if (!String.IsNullOrWhiteSpace(s)) yield return s.Trim() + ".";
    }
}

使用负面后卫的简单的基于正则表达式的答案。