关于标点符号或骆驼格的分句

Question

我在python中有一个很长的字符串，我试图把它分解成一个句子列表。这些句子中只有一些缺少打孔和空白处。

示例

我有9只羊在我的garageVideo游戏是超级酷。

我想不出要把这两者分开的理由！把我逼疯了。

也有适当标点符号的句子，所以我想我应该做几个不同的正则表达式模式，每一个分开不同风格的组合。

输入

我有9只羊在我的garageVideo游戏是超级酷。有些花生可以唱歌，尽管它们的味道比听起来好得多！

输出

“我车库里有9只羊”，“电子游戏太酷了。”“有些花生会唱歌，尽管它们的味道比听起来要好得多！”

谢谢!

Answer 1

职位拆分:使用regex模块

我会给你一个“分割”和一个“匹配所有”选项。让我们从“分裂”开始。

在许多引擎中，但不是Python的re模块中，您可以在零宽度匹配定义的位置拆分。

在Python中，为了分割位置，我将使用Matthew的杰出的 module，它的特性远远超过Python的默认re引擎。这是Python中的默认regex引擎。

通过输入，您可以使用以下正则表达式：

(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])

请注意，如果您的缩略语格式奇怪，如B. B. C.，则需要对此进行修改。

示例Python代码：

string = "I have 9 sheep in my garageVideo games are super cool. Some peanuts can sing, though they taste a whole lot better than they sound!"
result = regex.split("(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])", string)
print(result)

输出：

['I have 9 sheep in my garage', 
'Video games are super cool.', 
'Some peanuts can sing, though they taste a whole lot better than they sound!']

解释

• (?V1)指示引擎使用新的行为，在这种情况下，我们可以分割零宽度匹配。
• (?<=[a-z])(?=[A-Z])匹配一个位置，其中查找后面的(?<=[a-z])可以断言前面的是小写字母，而展望(?=[A-Z])可以断言后面的是大写字母。
• |或..。
• (?<=[.!?]) +(?=[A-Z])匹配一个或多个空格( + )，其中查找后面的(?<=[.!?])可以断言前面的是点、邦、问号和空格，而前面的(?=[A-Z])可以断言后面的是大写字母。

findall选项2:使用(再次使用 regex 模块)

由于“拆分”和“匹配所有”操作是同一枚硬币的两面，所以您可以这样做：

print(regex.findall(r".+?(?:(?<=[.!?])|(?<=[a-z])(?=[A-Z]))",string))

同样，这将不适用于re (这将跳过启动第二句Video的V )。