NLP - 数据预处理 - 文本按句子进行切分

一、前言

  在学习对数据训练的预处理的时候遇到了一个问题，就是如何将文本按句子切分，使用传统的jieba切割的颗粒度在词的程度，不能满足训练word2vec模型的需要。（py，手动实现自然也是可以，不过感觉斯，有py社区辣么发达相比有人实现了伐，就没有重复造轮子）

  要对文本按句子进行切分，可以使用Python的nltk库，它提供了一个名为sent_tokenize的函数，用于将文本切分为句子。以下是如何实现这个功能的示例：

二、环境配置

1、安装nltk库

pip install nltk

2、下载punkt分句器

如果使用的是nltk的第一次，需要下载punkt资源
下载地址：https://www.nltk.org/nltk_data/
手动下载所需punkt包（运行程序也能下载，不过由于一些网络原因比较难直接下载下来）

将下载的文件解压放到这个文件夹：C:\Users\Admin\AppData\Roaming\nltk_data\tokenizers

注：如果找不到路径：nltk_data\tokenizers，则手动创建

三、运行程序

使用sent_tokenize函数对文本进行按句切分：

import nltk
from nltk.tokenize import sent_tokenize

# 如果使用的是nltk的第一次，需要下载punkt资源
nltk.download('punkt')

# 示例文本
text = "This is an example sentence. Here is another one! And what about this one? Let's try it out."

# 将文本切分为句子
sentences = sent_tokenize(text)

# 输出切分后的句子
for i, sentence in enumerate(sentences):
    print(f"Sentence {i+1}: {sentence}")

在这个示例中，我们首先从nltk.tokenize模块中导入sent_tokenize函数。然后，我们定义了一个包含多个句子的文本。接下来，我们使用sent_tokenize函数将文本切分为句子，最后输出切分后的句子。

运行参考结果：

sent_tokenize函数使用预训练的Punkt分句器，它能够处理多种语言，并能很好地处理复杂的句子切分。在使用sent_tokenize时，您还可以通过提供一个可选参数language来指定文本的语言，以便更好地适应不同语言的句子切分规则。例如：

sentences = sent_tokenize(text, language='english')

四、额外补充

注：punkt 该库不支持中文，中文分句子比较的是另外一个库：pkuseg
这个库配好环境后下面的就可以直接使用了

import pkuseg

# 示例中文文本
text = "这是一个示例句子。这是另一个！这个怎么样？让我们试试看。"

# 配置pkuseg
seg = pkuseg.pkuseg()

# 将文本切分为句子
sentences = seg.cut(text)

# 输出切分后的句子
for i, sentence in enumerate(sentences):
    print(f"句子 {i + 1}: {sentence}")