Определение границ предложения php

Я хотел бы разделить текст на предложения в PHP. В настоящее время я использую регулярное выражение, которое обеспечивает точность ~ 95% и улучшает работу с использованием лучшего подхода. Я видел инструменты NLP, которые делают это в Perl, Java и C, но не вижу ничего, что бы соответствовало PHP. Знаете ли вы о таком инструменте?

Ответы

Ответ 1

Расширенное регулярное выражение

Предполагая, что вы позаботились об обращении: аббревиатуры Mr. и Mrs. и т.д., то следующее однорежимное решение работает очень хорошо:

<?php // test.php Rev:20160820_1800
$split_sentences = '%(?#!php/i split_sentences Rev:20160820_1800)
    # Split sentences on whitespace between them.
    # See: http://stackoverflow.com/a/5844564/433790
    (?<=          # Sentence split location preceded by
      [.!?]       # either an end of sentence punct,
    | [.!?][\'"]  # or end of sentence punct and quote.
    )             # End positive lookbehind.
    (?<!          # But don\'t split after these:
      Mr\.        # Either "Mr."
    | Mrs\.       # Or "Mrs."
    | Ms\.        # Or "Ms."
    | Jr\.        # Or "Jr."
    | Dr\.        # Or "Dr."
    | Prof\.      # Or "Prof."
    | Sr\.        # Or "Sr."
    | T\.V\.A\.   # Or "T.V.A."
                 # Or... (you get the idea).
    )             # End negative lookbehind.
    \s+           # Split on whitespace between sentences,
    (?=\S)        # (but not at end of string).
    %xi';  // End $split_sentences.

$text = 'This is sentence one. Sentence two! Sentence thr'.
        'ee? Sentence "four". Sentence "five"! Sentence "'.
        'six"? Sentence "seven." Sentence \'eight!\' Dr. '.
        'Jones said: "Mrs. Smith you have a lovely daught'.
        'er!" The T.V.A. is a big project! '; // Note ws at end.

$sentences = preg_split($split_sentences, $text, -1, PREG_SPLIT_NO_EMPTY);
for ($i = 0; $i < count($sentences); ++$i) {
    printf("Sentence[%d] = [%s]\n", $i + 1, $sentences[$i]);
}
?>

Обратите внимание, что вы можете легко добавлять или отбирать аббревиатуры из выражения. Учитывая следующий тестовый параграф:

Это предложение одно. Предложение два! Предложение три? Предложение "четыре". Приговор "пять"! Предложение "шесть"? Приговор "семь". Приговор "восемь!" Доктор Джонс сказал: "Миссис Смит, у тебя прекрасная дочь!" T.V.A. это большой проект!

Вот результат из script:

Sentence[1] = [This is sentence one.]
Sentence[2] = [Sentence two!]
Sentence[3] = [Sentence three?]
Sentence[4] = [Sentence "four".]
Sentence[5] = [Sentence "five"!]
Sentence[6] = [Sentence "six"?]
Sentence[7] = [Sentence "seven."]
Sentence[8] = [Sentence 'eight!']
Sentence[9] = [Dr. Jones said: "Mrs. Smith you have a lovely daughter!"]
Sentence[10] = [The T.V.A. is a big project!]

Существенное регулярное решение

Автор вопроса отметил, что приведенное выше решение "игнорирует многие варианты" и не является достаточно общим. Я не уверен, что это значит, но суть вышеупомянутого выражения примерно такая же чистая и простая, как вы можете получить. Вот он:

$re = '/(?<=[.!?]|[.!?][\'"])\s+(?=\S)/';
$sentences = preg_split($re, $text, -1, PREG_SPLIT_NO_EMPTY);

Обратите внимание, что оба решения правильно идентифицируют предложения, заканчивающиеся кавычкой после окончания пунктуации. Если вам не нужны соответствующие предложения, заканчивающиеся в кавычки, регулярное выражение может быть упрощено до: /(?<=[.!?])\s+(?=\S)/.

Изменить: 20130820_1000 Добавлено T.V.A. (другое прерывистое слово, которое нужно игнорировать) для регулярного выражения и тестовой строки. (чтобы ответить на вопрос о комментариях PapyRef)

Редактировать: 20130820_1800. Настроить и переименовать регулярное выражение и добавить shebang. Также исправлены регулярные выражения, чтобы предотвратить разделение текста на конечные пробелы.

Ответ 2

Небольшое улучшение для кого-то другого:

$re = '/# Split sentences on whitespace between them.
(?<=                # Begin positive lookbehind.
  [.!?]             # Either an end of sentence punct,
| [.!?][\'"]        # or end of sentence punct and quote.
)                   # End positive lookbehind.
(?<!                # Begin negative lookbehind.
  Mr\.              # Skip either "Mr."
| Mrs\.             # or "Mrs.",
| Ms\.              # or "Ms.",
| Jr\.              # or "Jr.",
| Dr\.              # or "Dr.",
| Prof\.            # or "Prof.",
| Sr\.              # or "Sr.",
| \s[A-Z]\.              # or initials ex: "George W. Bush",
                    # or... (you get the idea).
)                   # End negative lookbehind.
\s+                 # Split on whitespace between sentences.
/ix';
$sentences = preg_split($re, $story, -1, PREG_SPLIT_NO_EMPTY);

Ответ 3

Как низкотехнологичный подход, вы можете захотеть использовать серию вызовов explode в цикле, используя.,!, и? как игла. Это будет очень интенсивно для памяти и процессора (поскольку большинство текстовых обработок). У вас будет куча временных массивов и один главный массив со всеми найденными предложениями, численно проиндексированными в правильном порядке.

Кроме того, вам нужно будет проверить общие исключения (например, в титрах, таких как Mr. и Dr.), но со всем, что находится в массиве, эти типы проверок не должны быть такими уж плохими.

Я не уверен, что это лучше, чем регулярное выражение с точки зрения скорости и масштабирования, но это было бы целесообразно. Насколько велики эти блоки текста, которые вы хотите разбить на предложения?

Ответ 4

Я использовал это регулярное выражение:

preg_split('/(?<=[.?!])\s(?=[A-Z"\'])/', $text);

Не будет работать над предложением, начинающимся с числа, но должно иметь очень мало ложных срабатываний. Конечно, то, что вы делаете, тоже. Моя программа теперь использует

explode('.',$text);

потому что я решил, что скорость важнее точности.

Ответ 5

Создайте список сокращений, подобных этому

$skip_array = array ( 

'Jr', 'Mr', 'Mrs', 'Ms', 'Dr', 'Prof', 'Sr' , etc.

Скомпилируйте их в выражение

$skip = '';
foreach($skip_array as $abbr) {
$skip = $skip . (empty($skip) ? '' : '|') . '\s{1}' . $abbr . '[.!?]';
}

Запустите этот preg_split, чтобы разбить предложения.

$lines = preg_split ("/(?<!$skip)(?<=[.?!])\s+(?=[^a-z])/",
                     $txt, -1, PREG_SPLIT_NO_EMPTY);

И если вы обрабатываете HTML, следите за тем, чтобы теги были удалены, что устраняет пробел между предложениями. <p></p> Если у вас situations.Like этот where.They склеивается, становится намного сложнее разобрать.

Ответ 6

@ridgerunner Я написал ваш PHP-код в С#

В результате получается 2 предложения:

  • Mr. J. Dujardin régle sa T.V.
  • A. en esp. uniquement

Правильным результатом должно быть предложение: г-н J. Dujardin régle sa T.V.A. en esp. uniquement

и с нашим тестовым абзацем

string sText = "This is sentence one. Sentence two! Sentence three? Sentence \"four\". Sentence \"five\"! Sentence \"six\"? Sentence \"seven.\" Sentence 'eight!' Dr. Jones said: \"Mrs. Smith you have a lovely daughter!\" The T.V.A. is a big project!";

Результат

index: 0 sentence: This is sentence one.
index: 22 sentence: Sentence two!
index: 36 sentence: Sentence three?
index: 52 sentence: Sentence "four".
index: 69 sentence: Sentence "five"!
index: 86 sentence: Sentence "six"?
index: 102 sentence: Sentence "seven.
index: 118 sentence: " Sentence 'eight!'
index: 136 sentence: ' Dr. Jones said: "Mrs. Smith you have a lovely daughter!
index: 193 sentence: " The T.V.
index: 203 sentence: A. is a big project!

Код С#:

                string sText = "Mr. J. Dujardin régle sa T.V.A. en esp. uniquement";
                Regex rx = new Regex(@"(\S.+?
                                       [.!?]               # Either an end of sentence punct,
                                       | [.!?]['""]         # or end of sentence punct and quote.
                                       )
                                       (?<!                 # Begin negative lookbehind.
                                          Mr.                   # Skip either Mr.
                                        | Mrs.                  # or Mrs.,
                                        | Ms.                   # or Ms.,
                                        | Jr.                   # or Jr.,
                                        | Dr.                   # or Dr.,
                                        | Prof.                 # or Prof.,
                                        | Sr.                   # or Sr.,
                                        | \s[A-Z].              # or initials ex: George W. Bush,
                                        | T\.V\.A\.             # or "T.V.A."
                                       )                    # End negative lookbehind.
                                       (?=|\s+|$)", 
                                       RegexOptions.CultureInvariant | RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled);
                foreach (Match match in rx.Matches(sText))
                {
                    Console.WriteLine("index: {0}  sentence: {1}", match.Index, match.Value);
                }