问题标签 [text-segmentation]

给定一段，我想把它分成句子。目前我只是这样做：

它在大多数情况下都有效，但是当它给出这样的句子时开始失败：

阿拉斯加是美国最大的州

因为U.S.有句点，所以它被解析S为一个句子。

确定段落中句子的最佳方法是什么？我考虑过根据大写字母之前的最后一个句点来解析它们，但是如果该段落的键入不正确（句点后的小写字母），它也会失败

我在 Java 中使用 BreakIterator 类将段落分成句子。这是我的代码：

问题是当段落包含标题或数字时，例如：

“罗伯茨教授试图通过编写 1.200 行代码来解决问题。”

我的代码将产生的是：

由于标题和数字中的句点，而不是 1 个句子。

有没有办法解决这个问题以使用 Java 处理标题和数字？

我有一个大文本字符串，我试图将其拆分为基于“。？！”的句子。但是我的正则表达式无法正常工作，有人可以指导我检测错误吗？

但它不是拆分句子。有人可以检测到错误吗？

是否有任何可用的库用于某些象形文字语言的字数统计（例如：中文、日文、韩文......）？

我发现 MS Word 可以有效地计算这些语言的文本。我可以在我的 .NET 应用程序中添加对 MS Word 库的引用来实现此功能吗？

或者有没有其他解决方案可以达到这个目的？

我有一个分成多行的文本，没有特定的格式。所以我决定line.strip('\n')为每一行。然后我想使用句子结束标记将文本分成句子，.考虑：

1. .后跟\s（空格）、\S（like " '）和后跟[A-Z]将拆分的句点
2. 不要分裂[0-9]\.[A-Za-z]，喜欢1.stackoverflow real time solution。

我的程序只解决了 1 - 句点 (.) 的一半，后跟 \s 和 [AZ]。下面是代码：

请！我想知道哪个是掌握正则表达式的最佳方法。这似乎令人困惑。

例如我有这样的句子：

我需要这样的数组

我对正则表达式很陌生..

这是我尝试过的：

这个

有效，但我有第二个问题，我想用 mu 正则表达式写列表“wd”是特例。例如，这个词是我的列表“wd”、“先生”、“博士”。

如果我要接受文字：

$text = "单词，博士单词 wd 单词！..";

我需要数组：

对不起英语不好...

我有一句话：

$text = "word word, dr. word: a.sh. word ak word?!..";

特殊词是：“博士”。、“a.sh”和“ak”

这个 ：

$text = "word word, dr. word: a.sh. word ak word?!..";
$split = preg_split("/[^\w] ([\s]+[^\w] |$)/", $text, -1, PREG_SPLIT_NO_EMPTY);
print_r($split);

正则表达式给了我这个：

我需要

数组 (
[0] => word
[1] => word
[2] => dr. #<----- 点必须在这里，因为“dr.”是特殊词 [3] => word
[4] = > a.sh. #<----- 点必须在这里，因为“a.sh”是特殊词 [5] => 词
[6] => ak
[7] => 词）

我有一个解析良好的多段落文档列表（所有段落由\n\n分隔，句子由“。”分隔），我想将其拆分为句子，以及一个表示段落编号的数字文档。例如，（两段）输入是：

理想情况下，输出应该是：

我熟悉 Perl 中的 Lingua::Sentences 包，它可以将文档分成句子。但是它与段落编号不兼容。因此，我想知道是否有其他方法可以实现上述目标（文档不包含缩写）。任何帮助是极大的赞赏。谢谢！

我正在使用 WordPress 和 WP-O-Matic 自动从不同的提要中提取内容。内容全部大写，使 WordPress 博客中的帖子看起来很糟糕。我尝试使用不同的技术，但它们似乎都没有完美地工作。

以下是我尝试的一些示例：
如何在 php 中将句子中的第一个字母大写 如何将句子中
第一个单词的首字母大写？

我目前正在使用这段代码，但它不能正常工作：

问题是这段代码删除了所有<p></p>标签，使整个帖子看起来像一个段落。

这是我需要做的：
示例输入：

预期输出：

请帮忙

我有这个链接中讨论的相同问题Python extract sentence contains word，但不同之处在于我想在同一个句子中找到 2 个单词。我需要从包含 2 个特定单词的语料库中提取句子。有人可以帮助我吗？