regex - 将多段文档拆分为段落编号的句子

Question

我有一个经过良好解析的多段落文档列表(所有段落以\n\n 分隔，句子以“.”分隔)，我想将这些文档拆分成句子，并附有一个数字，表示其中的段落编号文档。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，输出应该是:

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 中的 Lingua::Sentences 包，它可以将文档拆分成句子。但是，它与段落编号不兼容。因此，我想知道是否有其他方法可以实现上述目标(文档中没有缩写)。任何帮助是极大的赞赏。谢谢!

Answer 1

如果你可以依靠期 .作为分隔符，你可以这样做:

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

解释:

-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。

然后我们简单地使用后视断言分割句点并打印句子，前面是行号。