在字符串中查找字符/单词的周围句子

Question

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

Answer 1

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：

re.split('(?<=\?|!|\.)\s{0,2}(?=[A-Z]|$)', text)

Answer 2

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，

from nltk.tokenize import sent_tokenize

paragraph = "How does chickens harden over the acceptance? Chickens comprises coffee. Chickens crushes a popular vet next to the eater. Will chickens sweep beneath a project? Coffee funds chickens. Chickens abides against an ineffective drill."
highlights = ["vet","funds"]
sentencesWithHighlights = []

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：

highlightIndices = [100,169]
subtractFromIndex = 0
for sentence in sent_tokenize(paragraph):
    for index in highlightIndices:
        if 0 < index - subtractFromIndex < len(sentence):
            sentencesWithHighlights.append(sentence)
            break
    subtractFromIndex += len(sentence)

在任何一种情况下，我们得到：

sentencesWithHighlights = ['Chickens crushes a popular vet next to the eater.', 'Coffee funds chickens.']

Answer 3

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：

(?:list|of|your highlights)

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