我有一個很大的中文文本文件，我想將其重新格式化為幾行，每行以一個句點結尾

Question

我想將此文件分成幾行（每行以一個句點（問號，感嘆號等）結尾），以便以后使用時更容易。

我嘗試使用nltk，但無濟於事：

text = r'你在哪里？ 我想看到你的狗！我很喜歡你。'
tokenized_text=sent_tokenize(text)
print(tokenized_text)

實際結果： ['你在哪里？ 我想看到你的狗！我很喜歡你。']

預期結果：

['你在哪里？ 我想看到你的狗! 我很喜歡你。']

Answer 1

看到沒人回應...

import re
text = r'你在哪里？ 我想看到你的狗！我很喜歡你。'
text_tokens = re.findall(r'(.*?[？！。])\s?', text) #with all the seperating tokens between []
print("\n".join(text_tokens))

輸出

你在哪里？
我想看到你的狗！
我很喜歡你。

解釋.+? 尋找一個到無窮大的字符，直到第一個出現的[？！。]您想在(previous)\\s?上分割的任何標記(previous)\\s? 如果存在多余的空間，則將其刪除。 通過僅捕獲文本和令牌

"\\n".join(text_tokens)將列表連接到換行符/將每個匹配項設置為新行。

如果您正在將其從一個文件讀取到另一個文件，那么一個非常簡單的程序可能看起來像這樣

import re
text_tokens = []
with open("example.txt", 'r') as text:
    text_tokens = re.findall(r'(.+?[？！。])\s?', text.read())
with open("output.txt", 'w+') as out:
    out.write("\n".join(text_tokens))