您好,登錄后才能下訂單哦!
這篇文章主要介紹“Python如何實(shí)現(xiàn)對(duì)中文文本分段分句”的相關(guān)知識(shí),小編通過實(shí)際案例向大家展示操作過程,操作方法簡(jiǎn)單快捷,實(shí)用性強(qiáng),希望這篇“Python如何實(shí)現(xiàn)對(duì)中文文本分段分句”文章能幫助大家解決問題。
實(shí)現(xiàn)對(duì)文本的分句,大致來說主要是以中文的句號(hào)、感嘆、問號(hào)等符號(hào)進(jìn)行分句。難點(diǎn)在于直接分句可能會(huì)造成人物說話的語句也被分開!
分段
首先讀取文本,文本讀取后整體是一個(gè)字符串,每一個(gè)段之間是空白,所以分段之間按照空白分開來即可,最后存入一個(gè)paragraph_list,注意該list的下標(biāo)就是段落的順序號(hào)!其他的這里就不再多贅述?。梢圆榭醋詈蟮恼w代碼)
分句
首先拿到上面分好的paragraph_list,循環(huán)拿到每一段,然后對(duì)每一段直接按照分句規(guī)則(正則表達(dá)式)進(jìn)行分句,參考該文章
import re def cut_sent(para): para = re.sub('([。???\?])([^”'])', r"\1\n\2", para) para = re.sub('(\.{6})([^”'])', r"\1\n\2", para) para = re.sub('(\…{2})([^”'])', r"\1\n\2", para) para = re.sub('([。!?\?][”'])([^,。???\?])', r'\1\n\2', para) para = para.rstrip() return para.split("\n") # 這一段文字分句后應(yīng)該有的結(jié)果 s = '今天天氣好??!' \ '溫度高嗎?你好,很高興遇見你,真不錯(cuò)。' \ '小明遇見小紅說:"你的衣服這好看!"' \ '小紅說:"什么?衣服真好看?真的嗎?"' \ '小明回答到:"嗯,真的!我也想買。"' for i in cut_sent(s): print(i) #結(jié)果將人物語句也分開 """ 今天天氣好?。? 溫度高嗎? 你好,很高興遇見你,真不錯(cuò)。 小明遇見小紅說:"你的衣服這好看! "小紅說:"什么? 衣服真好看? 真的嗎? "小明回答到:"嗯,真的! 我也想買。 " """
連接
這里解決辦法就是循環(huán)每一句,識(shí)別:"和"
兩個(gè)符號(hào)均有,則該句直接就是一整句,直接就加入
兩個(gè)符號(hào)都沒有,則該句直接就是一整句,直接就加入
如果只有前面符號(hào)而無后面符號(hào),則記錄有前面符號(hào)那一句,依次往下拼接,直到遇到字符最后有“,將上面拼接好的語句作為一整句放入
def connect(paragraph): sentence_before = [] sentence_after = [] for each_para in paragraph: sentence_before.append(cut(each_para)) # 核心代碼!(將被錯(cuò)分的語句進(jìn)行連接) for each in sentence_before: list = [] sentence = "" FLAG = True # 非常關(guān)鍵!判斷有':“'的符號(hào)后面的語句是否繼續(xù)拼接 for i in each: if i.find(':“') * i.find('”') >= 0 and FLAG: list.append(i + sentence) else: FLAG = False sentence = sentence + i if i.find('”') > 0: list.append(sentence) sentence = "" FLAG = True sentence_after.append(list) return sentence_after
import re import pandas as pd # 將整篇文章進(jìn)行分段 def segments(url): raw = pd.read_csv(url,names=['txt'], sep='aaa', encoding="GBK" ,engine='python') def m_head(tem_str): return tem_str[:1] def m_mid(tmp_str): return tmp_str.find("回 ") raw['head'] = raw.txt.apply(m_head) raw['mid'] = raw.txt.apply(m_mid) raw['len'] = raw.txt.apply(len) chap_num = 0 for i in range(len(raw)): if raw['head'][i] == "第" and raw['mid'][i] > 0 and raw['len'][i] < 30: chap_num += 1 if chap_num >= 40 and raw['txt'][i] == "附錄一:成吉思汗家族": chap_num = 0 raw.loc[i, 'chap'] = chap_num del raw['head'] del raw['mid'] del raw['len'] tmp_chap = raw[raw['chap'] == 7].copy() tmp_chap.reset_index(drop=True, inplace=True) tmp_chap['paraidx'] = tmp_chap.index paragraph = tmp_chap['txt'].values.tolist() return paragraph # 將每段進(jìn)行分句 def cut(para): # 相關(guān)規(guī)則 pattern = ['([。???\?])([^”'])','(\.{6})([^”'])','(\…{2})([^”'])','([。?。縗?][”'])([^,。?。縗?])'] for i in pattern: para = re.sub(i, r"\1\n\2", para) para = para.rstrip() return para.split("\n") # 將其中被錯(cuò)分的語句進(jìn)行連接(主要是針對(duì)話語) def connect(paragraph): sentence_before = [] sentence_after = [] for each_para in paragraph: sentence_before.append(cut(each_para)) # 核心代碼?。▽⒈诲e(cuò)分的語句進(jìn)行連接) for each in sentence_before: list = [] sentence = "" FLAG = True # 非常關(guān)鍵!判斷有':“'的符號(hào)后面的語句是否繼續(xù)拼接 for i in each: if i.find(':“') * i.find('”') >= 0 and FLAG: list.append(i + sentence) else: FLAG = False sentence = sentence + i if i.find('”') > 0: list.append(sentence) sentence = "" FLAG = True sentence_after.append(list) return sentence_after # 將最后的結(jié)果保存到DataFrame def toDataFrame(list3): df = pd.DataFrame(columns=["content","paragraph","sentence"]) for para_num,i in enumerate(list3): for sentence_num,j in enumerate(i): df_ = pd.DataFrame({"content": j, "paragraph": para_num,"sentence":sentence_num+1},index=[para_num]) df = df.append(df_,ignore_index=True) for i in df['content'].values.tolist(): print(i) def main(): # URL = "/Users/dengzhao/Downloads/金庸-射雕英雄傳txt精校版.txt" URL = input("請(qǐng)輸入文件地址:") para = segments(URL) result = connect(para) print(result) flag = input("以DataFrame形式輸出數(shù)據(jù)(Y,N):") if flag == 'Y': toDataFrame(result) elif flag == 'N': print("Thanks!?。?!") else: print("程序結(jié)束!請(qǐng)檢查的你的輸入!") if __name__ == '__main__': main()
關(guān)于“Python如何實(shí)現(xiàn)對(duì)中文文本分段分句”的內(nèi)容就介紹到這里了,感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí),可以關(guān)注億速云行業(yè)資訊頻道,小編每天都會(huì)為大家更新不同的知識(shí)點(diǎn)。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。