将一篇文章分割成多条完成的句子（中文英文兼容）

将一篇文章分割成多条完成的句子（中文英文兼容）

paperClub

2022.10.27 18:06:10字数 877

编辑文章

利用正则表达式将一篇文章分割成多条完成的句子。

例如：如下一篇文章，需要分割成一句一句的文字：

paperClub分享一款免费的强大办公工具。我们开发了一款简单的办公小工具，paperBox，下面给大家演示一下他的功能。这里主要涉及两种情况：

（1）图片直接进行等比缩放，图片缩放为原来的0.5倍，或 缩放为原来的2倍；

（2）需要固定图像的长和宽，同时保存图片不变形，如将原来 600 x 800的图片调整为宽 300， 高300，同时保持图片不变形和扭曲，这情况主要见于证件照缩放等应用场景。

（3）PaperClub shares a powerful free office tool. We have developed a simple office gadget, paperBox. Let's demonstrate its functions. There are mainly two situations involved here

———————————————————————————————————————————————

分割结果：

第 1 句：paperClub分享一款免费的强大办公工具。

第 2 句：我们开发了一款简单的办公小工具，paperBox，下面给大家演示一下他的功能。

第 3 句：这里主要涉及两种情况：

第 4 句：（1）图片直接进行等比缩放，图片缩放为原来的0.5倍，或 缩放为原来的2倍；

第 5 句：（2）需要固定图像的长和宽，同时保存图片不变形，如将原来 600 x 800的图片调整为宽 300， 高300，同时保持图片不变形和扭曲，这情况主要见于证件照缩放等应用场景。

第 6 句：（3）PaperClub shares a powerful free office tool.

第 7 句： We have developed a simple office gadget, paperBox.

第 8 句： Let's demonstrate its functions.

第 9 句： There are mainly two situations involved here

-----------------------------------------------------------------

方法：

import re

from typingimport List

def docment_cutter(sentences:str) -> List:

""" 将一篇文章分割成多条完成的句子。"""

  sentences = re.sub('([。！？\?])([^”’])', r"\1\n\2", sentences)

sentences = re.sub('([\.;])(\s)', r"\1\n\2", sentences)# 英文断句

  sentences = re.sub('(\.{6})([^”’])', r"\1\n\2", sentences)# 英文省略号

  sentences = re.sub('(\…{2})([^”’])', r"\1\n\2", sentences)# 中文省略号

  sentences = re.sub('([。！？\?][”’])([^，。！？\?])', r'\1\n\2', sentences)

sentences = sentences.rstrip()

return list(filter(bool, sentences.split("\n")))

texts ="""paperClub分享一款免费的强大办公工具。我们开发了一款简单的办公小工具，paperBox，下面给大家演示一下他的功能。这里主要涉及两种情况：

（1）图片直接进行等比缩放，图片缩放为原来的0.5倍，或 缩放为原来的2倍；

（2）需要固定图像的长和宽，同时保存图片不变形，如将原来 600 x 800的图片调整为宽 300， 高300，同时保持图片不变形和扭曲，这情况主要见于证件照缩放等应用场景。

（3）PaperClub shares a powerful free office tool. We have developed a simple office gadget, paperBox. Let's demonstrate its functions. There are mainly two situations involved here

"""

sentences = docment_cutter(texts)

for i, sentencein enumerate(sentences):

print(f"第 {i+1} 句：{sentence}")