将文档解析为句子

Question

我有一个问题，对专家来说应该很简单，但对我来说却是令人痛苦的神秘:)我想把文本(预处理后，除了常规标点符号之外没有特殊字符)解析成句子，并执行两项类似的任务：

1. 对于每个句子，找出单词的数量(句子长度)。然后，对于文档，找出平均句子长度。没有必要报告任何句子级的输出。请注意，文档包含了相当数量的专有名词，因此大写字母并不表示句子的开头。但本文档中的句子通常以“、”、"!“或"?”结尾。
2. 对每个句子应用regex模式。如果有匹配，给这个句子一个值，例如.1。对于整个文档，报告匹配的数量。同样，只需要文档级的输出。

我想知道是否有办法做到这一点，最好是在C#或VB中。任何帮助都将不胜感激。

======================

示例段落：

This is an example of a paragraph! It contains three sentences? And the average sentence has many words. 

示例模式：

"three"

输出：

number of sentences-3.
Average sentence length-6.
Number of matches-1.

Answer 1

您可以使用以下方法获得一个句子(取决于您对句子的定义)：

(\a|[\.!\?:])[^\.!\?:]+

还有一个词使用：

[a-zA-Z]+

其余的都很简单--只需查看MSDN上正则表达式的文档即可。

Answer 2

这应该是可行的：

string example =
    "This is an example of a paragraph! It contains three sentences? And the average sentence has many words.";

var splitExample = example.Split(new[] {'.', '!', '?'}, StringSplitOptions.RemoveEmptyEntries);

var matchExpression = new Regex("three");
double avgLength = splitExample.Average(x => x.Split(new []{' '}, StringSplitOptions.RemoveEmptyEntries).Length);
int sentences = splitExample.Length;
int matches = splitExample.Where(x => matchExpression.IsMatch(x)).Count();

Answer 3

您可以根据句点(.)执行Split。这会给你一系列的句子。

string sentences[] = document.Split('.');

然后，根据“空格”对每个“句子数组”执行一个Split，以获得单词数。

是的，然后使用正则表达式进行匹配。由于您没有指定要匹配的内容，所以我可以添加的其他内容不多。