python - 打开文件并阅读句子

Question

我想打开一个文件并获取句子。文件中的句子跨行，像这样:

"He said, 'I'll pay you five pounds a week if I can have it on my own
terms.'  I'm a poor woman, sir, and Mr. Warren earns little, and the
money meant much to me.  He took out a ten-pound note, and he held it
out to me then and there. 

目前我正在使用这段代码:

text = ' '.join(file_to_open.readlines())
sentences = re.split(r' *[\.\?!][\'"\)\]]* *', text)

readlines 把句子切了，请问有什么好的方法可以解决只得到句子吗？ (没有 NLTK)

感谢您的关注。

目前的问题:

file_to_read = 'test.txt'

with open(file_to_read) as f:
    text = f.read()

import re
word_list = ['Mrs.', 'Mr.']     

for i in word_list:
    text = re.sub(i, i[:-1], text)

我得到的结果(在测试用例中)是 Mrs. 变成了 Mr 而 Mr. 只是 Mr 。我尝试了其他几件事，但似乎没有用。答案可能很简单，但我想念它

Answer 1

如果您这样做，您的正则表达式将对上面的文本起作用:

with open(filename) as f:
    text = f.read()

sentences = re.split(r' *[\.\?!][\'"\)\]]* *', text)

唯一的问题是，正则表达式在“Mr.”中的点上 split 。从你上面的文字，所以你需要修复/改变它。

解决这个问题的一个方法虽然不完美，但是您可以去掉 Mr: 之后所有出现的点

text = re.sub(r'(M\w{1,2})\.', r'\1', text) # no for loop needed for this, like there was before

this 匹配一个“M”，后跟最少 1 个，最多 2 个字母数字字符 (\w{1,3})，后跟一个点。模式的带括号的部分被分组和捕获，并在替换中引用为“\1”(或第 1 组，因为您可以有更多带括号的组)。所以本质上，Mr. 或 Mrs. 是匹配的，但只有 Mr 或 Mrs. 部分被捕获，然后 Mr. 或 Mrs. 被捕获的部分替换，不包括点。

然后:

sentences = re.split(r' *[\.\?!][\'"\)\]]* *', text)

将按照您想要的方式工作。