分析数据结构中的文本并将其存储

Question

我希望你明白我想做什么。很难选择最好的单词，因为英语不是我的母语，而且我不信任自动翻译器。我会尽力解释。

我正在考虑分析一篇长文本。例如，假设我有一个分为段落的字符串。

Lorem ipsum dolor sat amet，consectetur adipiscing elit。 Nulla vitae elit libero，一个 pharetra augue。 Lorem ipsum dolor sat amet，consectetur adipiscing elit。 Cras mattis consectetur purus sat amet发酵。

Duis mollis，est non commodo luctus，nisi erat porttitor ligula，eget lacinia odio sem nec elit。 Aenean eu leo quam。 Pellentesque ornare sem lacinia quam venenatis 前庭。 Cras justo odio，dapibus ac facilisis in，egestas eget quam。 Lorem ipsum dolor sat amet，consectetur adipiscing elit。 Curabitur 温和的Tempus porttitor。 Maecenas sed diam eget risus varius blandit sat amet non magna。

我想将此字符串存储在数组或类似的东西中，这样我就可以非常快速地找到两个段落的长度或位置。例如（伪代码）：

Array => {

    paragraphs => {

        "Lorem ipsum dolor sit amet, [...] fermentum.",
        ...

    }

}

我真的不知道这是否有名称。我想关于如何完成此类任务有很多理论。我对处理大量文本时关注性能的实践非常感兴趣。我想要一些东西来仔细研究和阅读。

任何帮助将不胜感激。预先感谢，
——阿尔贝托

Answer 1

也许读一下 Apache 的 UIMA，它都是关于分析非结构化信息，文本分析是其中的主要组成部分。