如何根据枚举数将文本分割成子内容？

Question

我正在使用nltkPunktSentenceTokenizer()为python中的文本分割句子。但是，有许多长句是以列举的方式出现的，我需要在这种情况下得到子句。在

示例：

The api allows the user to achieve following goals: (a) aXXXXXX ,(b)bXXXX, (c) cXXXXX. 

所需输出为：

"The api allows the user to achieve following goals aXXXXX. "、"The api allows the user to achieve following goals bXXXXX."和{}

我怎样才能达到这个目标？在

Answer 1

我将跳过这个显而易见的问题（即：“到目前为止，您尝试了什么？”）。您可能已经发现，punkSentenceTokenizer在这里并没有真正帮助您，因为它会将您的输入语句留在一块。 最好的解决方案很大程度上取决于你的输入的可预测性。下面的内容将在您的示例中起作用，但是正如您所看到的，它依赖于冒号和一些逗号，如果它们不在那里，则对您没有帮助。在

import re
from nltk import PunktSentenceTokenizer
s = 'The api allows the user to achieve following goals: (a) aXXXXXX ,(b)bXXXX, (c) cXXXXX.'
#sents = PunktSentenceTokenizer().tokenize(s)

p = s.split(':')
for l in p[1:]:
    i = l.split(',')
    for j in i:
        j = re.sub(r'\([a-z]\)', '', j).strip()
        print("%s: %s" % (p[0], j))

Answer 2

要获得子序列，可以使用RegExp Tokenizer。在

一个如何使用它来拆分句子的示例如下：

from nltk.tokenize.regexp import regexp_tokenize

str1 = 'The api allows the user to achieve following goals: (a) aXXXXXX ,(b)bXXXX, (c) cXXXXX.'

parts =  regexp_tokenize(str1, r'\(\w\)\s*', gaps=True)

start_of_sentence = parts.pop(0)

for part in parts:
    print(" ".join((start_of_sentence, part)))