参考博客:https://blog.csdn.net/blmoistawinde/article/details/82379256
该博客将引号的情况也考虑进来,
然后实践中发现还有括号的问题。
import re
def cut_sent(para):
para = re.sub('([。!?\?])([^”’])', r"\1\n\2", para) # 单字符断句符
para = re.sub('(\.{6})([^”’])', r"\1\n\2", para) # 英文省略号
para = re.sub('(\…{2})([^”’])', r"\1\n\2", para) # 中文省略号
para = re.sub('([。!?\?][”’])([^,。!?\?])', r'\1\n\2', para)
# 如果双引号前有终止符,那么双引号才是句子的终点,把分句符\n放到双引号后,注意前面的几句都小心保留了双引号
para = para.rstrip() # 段尾如果有多余的\n就去掉它
# 很多规则中会考虑分号;,但是这里我把它忽略不计,破折号、英文双引号等同样忽略,需要的再做些简单调整即可。
return para.split("\n")
代码中
para = re.sub('([。!?\?])([^”’])', r"\1\n\2", para) # 单字符断句符
表示第一组匹配。!?出现,第二组匹配后面跟的不是双引号,才能进行断句。那么在第一组匹配结果和第二组匹配结果之间加上换行符。
para = re.sub('([。!?\?][”’])([^,。!?\?])', r'\1\n\2', para)
表示在第一组中匹配到。!?,之后匹配到双引号,然后第二组匹配判断后面的符号,是为了将换行符放到双引号后面。
并且在文中出现括号的时候,需要将右括号也考虑进来。
para = re.sub('([。!?\?])([^”^)^)’])', r"\1\n\2", para)
#如果。!?后面不是双引号和中英的右括号,才可以加入换行
para = re.sub('([。!?\?][”))’])([^,。!?\?])', r'\1\n\2', para)
#同上将中英右括号加入考虑,把换行放其后方。