时间：2022-10-25 09:32:23 | 栏目：Python代码 | 点击：次
对于英文文本分句比较简单，只要根据终结符"."划分就好，中文文本分句看似很简单，但是实现时会遇到很多麻烦，尤其是处理社交媒体数据时，会遇到文本格式不规范等问题。
下面代码针对一段一段的短文本组成了文档分句
import re
def cut_sent(infile, outfile):
cutLineFlag = ["？", "！", "。","…"] #本文使用的终结符，可以修改
sentenceList = []
with open(infile, "r", encoding="UTF-8") as file:
oneSentence = ""
for line in file:
if len(oneSentence)!=0:
sentenceList.append(oneSentence.strip() + "\r")
oneSentence=""
# oneSentence = ""
for word in words:
if word not in cutLineFlag:
oneSentence = oneSentence + word
else:
oneSentence = oneSentence + word
if oneSentence.__len__() > 4:
sentenceList.append(oneSentence.strip() + "\r")
oneSentence = ""
with open(outfile, "w", encoding="UTF-8") as resultFile:
print(sentenceList.__len__())
resultFile.writelines(sentenceList)
如果段尾3没有终结符但是换行了，这句话可能会丢失，所有加入如下代码：
if len(oneSentence)!=0:
sentenceList.append(oneSentence.strip() + "\r")
oneSentence=""
会得到比较好的处理结果
要处理的文本：
自从微信出了三天可见功能，我的朋友圈就越来越冷清越来越冷清越来越冷清，点开都没什么可看的了。今天我把屏蔽的代购一个一个一个都放出来了，快过年了，热闹点 一女性，想DIY矫正门牙缝隙，在家自己制取模型，结果悲剧了，因为用的是石膏，自己无法取出，来我院求助，医生废了九牛二虎之力才搞定……DIY有风险，操作需谨慎！ 闺女同学家养了一只鹦鹉，两只珍珠鸟，一只猫，两只仓鼠。鹦鹉是老大，珍珠鸟怕它，猫是后进家的，也怕鹦鹉。仓鼠经常溜出笼子，据说猫会把它逮住塞回笼子。
处理后的文本：
自从微信出了三天可见功能，我的朋友圈就越来越冷清越来越冷清越来越冷清，点开都没什么可看的了。 今天我把屏蔽的代购一个一个一个都放出来了，快过年了，热闹点 一女性，想DIY矫正门牙缝隙，在家自己制取模型，结果悲剧了，因为用的是石膏，自己无法取出，来我院求助，医生废了九牛二虎之力才搞定… DIY有风险，操作需谨慎！ 闺女同学家养了一只鹦鹉，两只珍珠鸟，一只猫，两只仓鼠。 鹦鹉是老大，珍珠鸟怕它，猫是后进家的，也怕鹦鹉。 仓鼠经常溜出笼子，据说猫会把它逮住塞回笼子。
得到了比较好的分句结果，也不会丢失信息。