Python вырезал строку после X-го предложения

Question

Мне нужно вырезать строку Юникод , которая на самом деле является статьей (содержит предложения). Я хочу вырезать эту строку статьи после X-го предложения в python.

Хорошим показателем окончания предложения является то, что оно заканчивается точкой (".") И словом после начала с заглавной буквы. Такие как

myarticle == "Hi, this is my first sentence. And this is my second. Yet this is my third."

Как этого достичь?

Спасибо

Answer 1

Рассмотрите возможность загрузки набора инструментов для естественного языка (NLTK). Тогда вы можете создавать предложения, которые не будут ломаться для таких вещей, как "США". или не разбить предложения, заканчивающиеся на «?!».

>>> import nltk
>>> paragraph = u"Hi, this is my first sentence. And this is my second. Yet this is my third."
>>> sentences = nltk.sent_tokenize(paragraph)
[u"Hi, this is my first sentence.", u"And this is my second.", u"Yet this is my third."]

Ваш код становится намного более читабельным. Чтобы получить доступ ко второму предложению, вы используете обозначение, к которому вы привыкли.

>>> sentences[1]
u"And this is my second."

Answer 2

Вот более надежное решение:

myarticle = """This is a sentence.
   And another one.
   And a 3rd one."""

N = 3  # 3 sentences

print ''.join(sentence+'.' for sentence in re.split('\.(?=\s*(?:[A-Z]|$))', myarticle, maxsplit=N)[:-1])

Это решение имеет несколько преимуществ по сравнению с некоторыми другими возможностями, упомянутыми ранее:

1. Оно работает даже вв вашем тексте ровно N предложений.Некоторые другие ответы дают двойной . в конце.Этого здесь избегают, принимая во внимание тот факт, что за последним предложением следует не заглавная буква, а конец текста ($).

2. Это работаетдаже если в тексте меньше N предложений.

3. Количество разбиений ограничено аргументом maxsplit до re.split(), что ограничивает количество разбиений ипоэтому весьма эффективен.

Надеюсь, это поможет!

Answer 3

Если могут быть знаки препинания, отличные от обычного '.', Вам, вероятно, следует попробовать это:

re.split('\W(?=[A-Z])',ss)

Возвращает список предложений.Конечно, это не относится к случаям, упомянутым Павлом.

Answer 4

Попробуйте это:

'.'.join(re.split('\.(?=\s*[A-Z])', myarticle)[:2]) + '.'

Это обрезает вашу строку после второго предложения ([: 2]).

Однако есть некоторые проблемы (как всегда, если вы имеете дело с естественным языком): в первую очередь он распознает только предложение, начинающееся с 'A-Z'. Это может быть верно для английского языка, но не для других языков.