Question

我有一个经过充分解析的多段文档列表（所有段落用 \ n \ n 分隔，句子用“。”分隔），我想分成句子，以及表示文件中段落编号的数字。例如，（两段）输入是：

First sentence of the 1st paragraph. Second sentence of the 1st paragraph. \n\n 

First sentence of the 2nd paragraph. Second sentence of the 2nd paragraph. \n\n

理想情况下，输出应为：

1 First sentence of the 1st paragraph. 

1 Second sentence of the 1st paragraph. 

2 First sentence of the 2nd paragraph.

2 Second sentence of the 2nd paragraph.

我熟悉Perl中可以将文档拆分成句子的Lingua :: Sentences包。但是它与段落编号不兼容。因此，我想知道是否有另一种方法来实现上述目标（文档不包含缩写）。任何帮助是极大的赞赏。谢谢！

Answer 1

如果您可以依赖句点.作为分隔符，则可以执行以下操作：

perl -00 -nlwe 'print qq($. $_) for split /(?<=\.)/' yourfile.txt

说明：

-00将输入记录分隔符设置为空字符串，即段落模式。
-l将输出记录分隔符设置为输入记录分隔符，在这种情况下转换为两个换行符。

然后我们简单地用句子断言来分割期间并打印句子，然后是行号。

Answer 2

正如您所提到的Lingua::Sentences，我认为可以选择稍微操作此模块的原始输出以获得您需要的内容

use Lingua::Sentence;

my @paragraphs = split /\n{2,}/, $splitter->split($text);

foreach my $index (0..$#paragraphs) {
    my $paragraph = join "\n\n", map { $index+1 . " $_" } 
        split /\n/, $paragraphs[$index];
    print "$paragraph\n\n";
}

将多段文档拆分为段落编号的句子

2 个答案: