我尝试使用python从包含给定子字符串的字符串中获取句子。在
我可以访问字符串(一个学术摘要)和一个包含开始和结束索引的亮点列表。例如:
{
abstract: "...long abstract here..."
highlights: [
{
concept: 'a word',
start: 1,
end: 10
}
{
concept: 'cancer',
start: 123,
end: 135
}
]
}
我在每个突出显示处循环,在摘要中找到它的起始索引(结尾并不重要,因为我只需要在一个句子中找到一个位置),然后不知何故需要确定索引出现在哪个句子中。在
我可以使用nltk.tonenize.sent_tokenize
将摘要标记成句子,但这样做会使索引位置变得无用。在
我该如何着手解决这个问题?我想regex是一种选择,但是nltk标记器似乎是一种很好的方法,不使用它将是一种遗憾。。或者通过查找上一个句号/感叹号/问号后的字符数来重置起始索引?在
另一个选择(尽管很难说它在不同定义的文本中有多可靠)是将文本分成一个句子列表并对照它们进行测试:
你说得对,NLTK标记器确实是您在这种情况下应该使用的,因为它足够健壮,可以处理大多数句子的定界,包括用“引号”结束句子。您可以做如下操作(
paragraph
来自随机生成器):从,
最直观的方式:
^{pr2}$但是使用这种方法,我们实际上得到了一个3x嵌套的
for
循环。这是因为我们首先检查每个sentence
,然后检查每个highlight
,然后检查sentence
中的每个子序列。在我们可以获得更好的性能,因为我们知道每个亮点的开始索引:
在任何一种情况下,我们得到:
我假设你所有的句子都以这三个字符中的一个结束:
!?.
在突出显示列表上循环,创建一个regexp组:
然后将整个摘要与此regexp匹配:
^{pr2}$这样,您将得到一个句子,其中至少包含每个匹配项的第一个子组(RegExr)中的一个亮点。在
相关问题 更多 >
编程相关推荐