通达信数据接口对接kafka-Python如何实现对中文文本分段分句

Python实现对中文文本分段分句

早餐店不会开到晚上，想吃的人早就来了！????

问题

实现对文本的分句，大致来说主要是以中文的句号、感叹、问号等符号进行分句。难点在于直接分句可能会造成人物说话的语句也被分开！

步骤

首先读取文本，文本读取后整体是一个字符串，每一个段之间是空白，所以分段之间按照空白分开来即可，最后存入一个paragraph_list，注意该list的下标就是段落的顺序号！其他的这里就不再多赘述！

import re

def cut_sent(para):
    para = re.sub("([。！？?])([^”’])", r"1
2", para)
    para = re.sub("(.{6})([^”’])", r"1
2", para)
    para = re.sub("(…{2})([^”’])", r"1
2", para)
    para = re.sub("([。！？?][”’])([^，。！？?])", r"1
2", para)
    para = para.rstrip()
    return para.split("
")

# 这一段文字分句后应该有的结果
s = "今天天气好啊！" 
    "温度高吗？你好，很高兴遇见你，真不错。" 
    "小明遇见小红说："你的衣服这好看！"" 
    "小红说："什么？衣服真好看？真的吗？"" 
    "小明回答到："嗯，真的！我也想买。""

for i in cut_sent(s):
    print(i)
    
#结果将人物语句也分开
"""
今天天气好啊！
温度高吗？
你好，很高兴遇见你，真不错。
小明遇见小红说："你的衣服这好看！
"小红说："什么？
衣服真好看？
真的吗？
"小明回答到："嗯，真的！
我也想买。
"
"""

这里解决办法就是循环每一句，识别："和"

两个符号均有，则该句直接就是一整句，直接就加入两个符号都没有，则该句直接就是一整句，直接就加入如果只有前面符号而无后面符号，则记录有前面符号那一句，依次往下拼接，直到遇到字符最后有“，将上面拼接好的语句作为一整句放入

def connect(paragraph):
    sentence_before = []
    sentence_after = []
    for each_para in paragraph:
        sentence_before.append(cut(each_para))
    # 核心代码！（将被错分的语句进行连接）
    for each in sentence_before:
        list = []
        sentence = ""
        FLAG = True # 非常关键！判断有"：“"的符号后面的语句是否继续拼接
        for i in each:
            if i.find("：“") * i.find("”") >= 0 and FLAG:
                list.append(i + sentence)
            else:
                FLAG = False
                sentence = sentence + i
                if i.find("”") > 0:
                    list.append(sentence)
                    sentence = ""
                    FLAG = True
        sentence_after.append(list)
    return sentence_after

最后整体代码

import re
import pandas as pd

# 将整篇文章进行分段
def segments(url):
    raw = pd.read_csv(url,names=["txt"], sep="aaa", encoding="GBK" ,engine="python")

    def m_head(tem_str):
        return tem_str[:1]

    def m_mid(tmp_str):
        return tmp_str.find("回 ")
    raw["head"] = raw.txt.apply(m_head)
    raw["mid"] = raw.txt.apply(m_mid)
    raw["len"] = raw.txt.apply(len)
    chap_num = 0
    for i in range(len(raw)):
        if raw["head"][i] == "第" and raw["mid"][i] > 0 and raw["len"][i] < 30:
            chap_num += 1
        if chap_num >= 40 and raw["txt"][i] == "附录一：成吉思汗家族":
            chap_num = 0
        raw.loc[i, "chap"] = chap_num
    del raw["head"]
    del raw["mid"]
    del raw["len"]
    tmp_chap = raw[raw["chap"] == 7].copy()
    tmp_chap.reset_index(drop=True, inplace=True)
    tmp_chap["paraidx"] = tmp_chap.index
    paragraph = tmp_chap["txt"].values.tolist()
    return paragraph

# 将每段进行分句
def cut(para):
    # 相关规则
    pattern = ["([。！？?])([^”’])","(.{6})([^”’])","(…{2})([^”’])","([。！？?][”’])([^，。！？?])"]
    for i in pattern:
        para = re.sub(i, r"1
2", para)
    para = para.rstrip()
    return para.split("
")

# 将其中被错分的语句进行连接(主要是针对话语)
def connect(paragraph):
    sentence_before = []
    sentence_after = []
    for each_para in paragraph:
        sentence_before.append(cut(each_para))
    # 核心代码！（将被错分的语句进行连接）
    for each in sentence_before:
        list = []
        sentence = ""
        FLAG = True # 非常关键！判断有"：“"的符号后面的语句是否继续拼接
        for i in each:
            if i.find("：“") * i.find("”") >= 0 and FLAG:
                list.append(i + sentence)
            else:
                FLAG = False
                sentence = sentence + i
                if i.find("”") > 0:
                    list.append(sentence)
                    sentence = ""
                    FLAG = True
        sentence_after.append(list)
    return sentence_after

# 将最后的结果保存到DataFrame
def toDataFrame(list3):
    df = pd.DataFrame(columns=["content","paragraph","sentence"])
    for para_num,i in enumerate(list3):
       for sentence_num,j in enumerate(i):
            df_ = pd.DataFrame({"content": j, "paragraph": para_num,"sentence":sentence_num+1},index=[para_num])
            df = df.append(df_,ignore_index=True)
    for i in df["content"].values.tolist():
        print(i)

def main():
    # URL = "/Users/dengzhao/Downloads/金庸-射雕英雄传txt精校版.txt"
    URL = input("请输入文件地址：")
    para = segments(URL)
    result = connect(para)
    print(result)
    flag = input("以DataFrame形式输出数据(Y,N)：")
    if flag == "Y":
        toDataFrame(result)
    elif flag == "N":
        print("Thanks！！！！")
    else:
        print("程序结束！请检查的你的输入！")

if __name__ == "__main__":
    main()

最后的最后由本人水平所限，难免有错误以及不足之处，屏幕前的靓仔靓女们如有发现，恳请指出！

你轻轻地点了个赞，那将在我的心里世界增添一颗明亮而耀眼的星！

????往期优质文章分享

C++QT结合FFmpeg实战开发视频播放器-01环境的安装和项目部署解决QT问题：运行qmake：ProjectERROR:Cannotruncompiler‘cl‘.Output:解决安装QT后MSVC201564bit配置无编译器和调试器问题Qt中的套件提示nocompliersetinkit和nodebugger，出现黄色感叹号问题解决Python+selenium自动化-实现自动导入、上传外部文件

????优质教程分享????

????如果感觉文章看完了不过瘾，可以来我的其他专栏看一下哦~????比如以下几个专栏：Python实战微信订餐小程序、Python量化交易实战、C++QT实战类项目和算法学习专栏????可以学习更多的关于C++/Python的相关内容哦！直接点击下面颜色字体就可以跳转啦！

???? Python实战微信订餐小程序 ????	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
????Python量化交易实战 ????	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统
❤️ C++ QT结合FFmpeg实战开发视频播放器❤️	难度偏高	分享学习QT成品的视频播放器源码，需要有扎实的C++知识！
???? 游戏爱好者九万人社区????	互助/吹水	九万人游戏爱好者社区，聊天互助，白嫖奖品
???? Python零基础到入门 ????	Python初学者	针对没有经过系统学习的小伙伴，核心目的就是让我们能够快速学习Python的知识以达到入门

文章为作者独立观点，不代表股票程序化软件自动交易接口观点

通达信数据接口对接kafka-平衡与不平衡接口转换终极解构