Токениза предложения nltk, рассмотрите новые строки как границу предложения

Я использую nltk PunkSentenceTokenizer для tokenize текста для набора предложений. Тем не менее, токенизатор, похоже, не рассматривает новый абзац или новые строки как новое предложение.

>>> from nltk.tokenize.punkt import PunktSentenceTokenizer
>>> tokenizer = PunktSentenceTokenizer()
>>> tokenizer.tokenize('Sentence 1 \n Sentence 2. Sentence 3.')
['Sentence 1 \n Sentence 2.', 'Sentence 3.']
>>> tokenizer.span_tokenize('Sentence 1 \n Sentence 2. Sentence 3.')
[(0, 24), (25, 36)]

Я хотел бы, чтобы он рассматривал новые строки как границу предложений. В любом случае, чтобы это сделать (мне тоже нужно сохранить смещения)?

ОТВЕТЫ

Ответ 1

Ну, у меня была такая же проблема, и что я сделал, был разбит текст в '\n'. Что-то вроде этого:

# in my case, when it had '\n', I called it a new paragraph, 
# like a collection of sentences
paragraphs = [p for p in text.split('\n') if p]
# and here, sent_tokenize each one of the paragraphs
for paragraph in paragraphs:
    sentences = tokenizer.tokenize(paragraph)

Это упрощенная версия того, что я имел в производстве, но общая идея такая же. И, извините за комментарии и докшрин на португальском языке, это было сделано в "образовательных целях" для бразильской аудитории

def paragraphs(self):
    if self._paragraphs is not None:
        for p in  self._paragraphs:
            yield p
    else:
        raw_paras = self.raw_text.split(self.paragraph_delimiter)
        gen = (Paragraph(self, p) for p in raw_paras if p)
        self._paragraphs = []
        for p in gen:
            self._paragraphs.append(p)
            yield p

полный код https://gitorious.org/restjor/restjor/source/4d684ea4f18f66b097be1e10cc8814736888dfb4:restjor/decomposition.py#Lundefined