Question

我需要从文本中获取前N个句子，其中句子的最后一个字符可以是句号，冒号或分号。例如，给出这个文本：

Lorem ipsum, dolor sit amet. consectetur adipisicing elit; sed do eiusmod tempor.
incididunt ut labore: et dolore magna aliqua. Ut enim ad. minim veniam.

前4个句子是，

Lorem ipsum, dolor sit amet. consectetur adipisicing elit; sed do eiusmod tempor.
incididunt ut labore:

目前，我的代码使用.，:和;作为分隔符来拆分字符串，然后加入结果。

import re
sentences = re.split('\. |: |;', text)
summary = ' '.join(sentences[:4])

但它会从结果中删除分隔符。我对正则表达式或基本字符串操作持开放态度。

Answer 1

>>> import re
>>> text = "Lorem ipsum, dolor sit amet. consectetur adipisicing elit; sed do eiusmod tempor. incididunt ut labore: et dolore magna aliqua. Ut enim ad. minim veniam."
>>> ' '.join(re.split(r'(?<=[.:;])\s', text)[:4])
'Lorem ipsum, dolor sit amet. consectetur adipisicing elit; sed do eiusmod tempor. incididunt ut labore:'

这样的效果会更高效，可以通过格式化4：

来满足您的需求

>>> re.match(r'(?:[^.:;]+[.:;]){4}', text).group()
'Lorem ipsum, dolor sit amet. consectetur adipisicing elit; sed do eiusmod tempor. incididunt ut labore:'

Answer 2

所以，我知道这个问题是关于使用正则表达式来查找句子，但是，出于同样的原因，正则表达式不是解析html的正确选择（不同类别的语法），正则表达式是一个更糟糕的选择。涉及自然语言。

如果您的目标是实际描述句子，则必须寻找其他工具。我个人会推荐nltk提供的Punkt句子标记器。下面是一个示例，说明为什么这是一个比正则表达式更好的选择。

Punkt knows that the periods in Mr. Smith and Johann S. Bach do not mark 
sentence boundaries.  And sometimes sentences can start with non-capitalized 
words.  i is a good variable name.

http://nltk.org/api/nltk.tokenize.html了解更多信息。

Answer 3

可以将re.finditer与itertools.islice结合使用，并进行字符串切片（以避免加入并保留分隔符）：

import re
from itertools import islice

delims = re.finditer('[.:;]', s)
try:
    print s[:next(islice(delims, 3, None)).end()]
except StopIteration:
    print s # whole string instead maybe as there's not enough delimiters

Answer 4

import re
sentenceEnd = re.compile('[.!?][\s]{1,2}(?=[A-Z])')
sentenceLists = sentenceEnd.split(text, re.UNICODE)

可以使用上面的方法，它会做的是寻找一段时间，并确保之后的下一个字符是一个大写字母，并且在句点和下一个字母之间有一个空格，这将需要护理AM等病例。文本基本上是原始文本的位置，并确保它是单一的。

如何从文本中获取前N个句子？

4 个答案: