从一系列句子的单个句子diskenize

Question

我有一个任务问题，我必须在其中找到一种方法来从一串句子中对单个句子进行描述。句子是由完整停止终止的任何单词序列（包括完整的停止本身）。 如果无法分割句子，则它将返回一个空列表。我还可以保证，文档不会从完整的停止字符开始。这仍然是Python的基本水平。

这是我开始使用拆分函数的代码

def sentence_segmentation(document):
    """splits each word"""
    sentence_new = document.split(".")
    final = list(sentence_new)
    return final

，但是我不确定如何保留定界符，尤其是在句子中有多个时？

我包括测试用例

测试1

document = "sent1. sent2. sent3. sent4. sent5."
sentences = sentence_segmentation(document)
print(sentences)

结果

['send1。'，'send2。'，'send3。'，'send4。'，'send5。']

测试2

document = "sent 1. sent 2... sent 3.... sent 4. sent 5.."
sentences = sentence_segmentation(document)
print(sentences)

结果

['send 1.'，'send 2 .. 。

​

document = "sent1.sent2.sent3.sent4.sent5."
sentences = sentence_segmentation(document)
print(sentences)

​

​

​

Answer 1

看来您想用一个或多个的白色空间拆分，该空格先于。 char。

然后，您可以使用

import re
documents = ["sent1. sent2. sent3. sent4. sent5.", "sent 1. sent 2... sent 3.... sent 4. sent 5..", "sent1.sent2.sent3.sent4.sent5."]
dot_space_regex = re.compile(r'(?<=\.)\s+')
for doc in documents:
    print(dot_space_regex.split(doc))

在线演示。
输出：

['sent1.', 'sent2.', 'sent3.', 'sent4.', 'sent5.']
['sent 1.', 'sent 2...', 'sent 3....', 'sent 4.', 'sent 5..']
['sent1.sent2.sent3.sent4.sent5.']

请参阅 regex demo 。

• ？
• （ 更多的空间。