对英文文章进行分句，要确保数字中的小数点不被分开最简便的方法-附代码

Posted 2021-09-08 Coding With you.....

查了许多资料，采用分词库与正则表达式都没有办法进行完美分句。

比如：名字有这样的Mr.A.W、Mr.等，采用正则可以分，但是有错误的。如果结尾只是一个字母A.,会与下一句的词分成一句中。

那么怎么解决呢？

对于句子中的名字，数据集中几乎没有连字的名字，因此只考虑数字，不要将小数点当成句号分开

思路：其实对于a.b这样的数字，考虑若句点的前面和后面都为数字的情况，会发生问题。

           比如：This is $3.0 is no good这样的话3.0不会分开，但实际上这是两句话

因此只考虑句点后接数字的情况，一般以数字开头的句子很少，如果有的话修改正则为

'\\?|\\!|(?<!\\d)\\.(?!\\d)'即可。

代码及结果：

import re
sen='i likh 4.2 vvv.Him with tf?And he qweq nnmj.kkk jjuug.'
p = re.split('\\?|\\!|\\.(?!\\d)',sen)
print(p[:-1])#['i likh 4.2 vvv', 'Him with tf', 'And he qweq nnmj', 'kkk jjuug']这里去掉最后一个的原因是每次分句总会多出一个空的来

即：print(p)# ['i likh 4.2 vvv', 'Him with tf', 'And he qweq nnmj', 'kkk jjuug',[]]