Python NLTK Удалить внутреннюю пунктуацию НЕ является частью URL

Question

Я использую NLTK в Python, и у меня возникла проблема с попыткой удалить внутреннюю пунктуацию из текста, где после точки должен быть пробел для начала нового предложения.

Вот несколько примеров:

'on.How'

'time.Jerry'

'me? What'

Как я могу удалить пунктуация из предыдущих примеров, но все равно сохраняйте пунктуацию в URL-адресах, таких как stackoverflow.com или nltk.org?

Спасибо!

Answer 1

Ну, вы можете извлечь URL, используя Spacy . Затем вы можете взять URL-адреса в списке, и с помощью простого python вы можете сделать свою работу. Давайте возьмем, мы взяли URL в списке под названием URL ...

sentence = "hi.hello.stackoverflow.com or nltk.org"
URL = ["stackoverflow.com", "nltk.org"]

# to remove URLs from our sentence and place a number so we can later replace 
# our URLs there
x=0
for i in URL:
    sentence = sentence.replace(i,str(x))
    x+=1

# put period with space
sentence=sentence.split(".")
sentence = ". ".join(sentence)

# replace our URLs in the correct place
x=0
for i in URL:
    sentence = sentence.replace(str(x),i)
    x+=1
print(sentence)
# output - "hi. hello. stackoverflow.com or nltk.org"