现在我有一个字符串：
my_string = "我是谁？我在哪儿？！不管了。不管了。"
string.split()
要求是按标点符号将文本切分成几个部分，先看python内置的split()方法
# e.g.1
string_list = my_string.split('。')
print(string_list)
>>> ['我是谁？我在哪儿？！不管了', '不管了', '']
可以看到split('。')确实将这个字符串按句号分割了，返回的是list
但是split()方法的缺点是只能定义一个分隔符。比如我们想在遇到中文的句号和问号的时候，将字符串分割开来：
# e.g.2
string_list = my_string.split('？。')
print(string_list)
>>> ['我是谁？我在哪儿？！不管了。不管了。']
string_list = my_string.split('？！')
print(string_list)
>>> ['我是谁？我在哪儿', '不管了。不管了。']
可以看到，split将"。？"这个整体作为分隔符了，因此根本实现不了分割的目标。
P.s. 像e.g.1里的那样，如果字符串的末尾出现了我们想要分割的分隔符，会导致返回list的最后一个元素是空字符串""，这种情况在匹配等任务中是致命的，因此有必要避免这种情况。这里提供两个方法：
# 方法1：在切分之前，对字符串进行strip()处理——去掉开头和结尾的分隔符
string_list = string_list.strip("\s \n ! ! ? ？。")
# 转义的字符要用空格隔开
# 方法2：在切分后，过滤掉split返回的list中的空字符串
# filter_data()函数的功能是：对于一个由string组成的list [str1, str2, str3, ......]，过滤掉那些空字符串''、特殊字符串'\n'，并返回过滤后的新list
def not_break(sen):
return (sen != '\n' and sen != '\u3000' and sen != '' and not sen.isspace())
def filter_data(ini_data):
# ini_data是由句子组成的string
new_data = list(filter(not_break, [data.strip() for data in ini_data]))
return new_data
推荐第二种～
re.split()
如果想要实现“多个分隔符对句子进行切分”的功能，就要依靠python中更为强大的正则方法来实现了。
首先要引入re库，依然以上面的字符串为例：
import re
'''
函数原型 re.split(pattern, string, maxsplit=0, flags=0)
pattern: 分隔符（str）
string: 原始字符串（str）
maxsplit：最大分割次数
flags：没有深入研究，感觉是个辅助功能参数，比如说flags=re.IGNORECASE应该是不区分大小写
'''
#e.g.3
my_string = "我是谁？我在哪儿？！不管了。不管了。"
string_list = re.split("。", my_string)
>>> ['我是谁？我在哪儿？！不管了', '不管了', '']
# 一个分隔符的时候，和string.split()功能一致（所以以后都用re.split()好了，嗯，功能还更强大）
string_list = filter_data(re.split(r"[。|！]", my_string))
print(string_list)
>>> ['我是谁？我在哪儿？', '不管了', '不管了']
# 这就是功能强大之处
'''解释一下 r"[。 |！]"
1） 正则表达式和 \ 会有冲突，'r'是为了保证python在解析"[。 |！]"的时候，把它当做一个字符串来处理，不转义
2） 当定义多个分隔符的时候，要将分隔符放在‘[]’中（貌似只是一种书写规范，因为不没有[]功能好像依然不变）或者'()'中，
两种括号的区别可以看下面的例子
3） 除了第一个分隔符，后面的分隔符都要用'|'隔开
'''
string_list = filter_data(re.split(r"(。|！|？)", my_string))
print(string_list)
>>> ['我是谁', '？', '我在哪儿', '？', '！', '不管了', '。', '不管了', '。']
# 这种方式方便我们复原原始文本
按所有的中英文标点符号切分字符串
对一些“白痴”的操作，引用库是个更安逸的方式
from zhon.hanzi import punctuation as chinese_punctuation # 中文标点符号
import string
english_punctuation = string.punctuation # 英文标点符号
chi_punc = '|'.join([c for c in chinese_punctuation])
eng_punc = '|'.join([c for c in english_punctuation])
punc = chi_punc + eng_punc
>>> punc: '＂|＃|＄|％|＆|＇|（|）|＊|＋|，|－|／|：|；|＜|＝|＞|＠|［|＼|］|＾|＿|｀|｛|｜|｝|～|｟|｠|｢|｣|､|\u3000|、|〃|〈|〉|《|》|「|」|『|』|【|】|〔|〕|〖|〗|〘|〙|〚|〛|〜|〝|〞|〟|〰|〾|〿|–|—|‘|’|‛|“|”|„|‟|…|‧|﹏|﹑|﹔|·|！|？|｡|。!|"|#|$|%|&|\'|(|)|*|+|,|-|.|/|:|;|<|=|>|?|@|[|\\|]|^|_|`|{|||}|~'
# 注意 punc 中的'||'会导致逐字符分句的情况，所以手动抛去；如果真要把‘|’也当做分隔符，再做研究
punc = punc[:-6]+punc[-4:]
my_string = "sen1。sen2.sen3？sen4“”sen5,.,"
my_stringList = filter_data(re.split(r''+("["+punc+"]"), my_string))
# 效果
>>> ['sen1', 'sen2', 'sen3', 'sen4', 'sen5']
所有解决了的问题，都应该被牢记
转载于:https://www.jianshu.com/p/eb5610fc2c4b