将多段文档拆分为段落编号的句子

Question

我有一个解析良好的多段文档列表（所有段落用\n\n分隔，句子用"."分隔），我想将这些文档拆分成句子，并附上一个表示文档中段落编号的数字。例如，（两段）输入为：

First sentence of the 1st paragraph. Second sentence of the 1st paragraph. nn 
First sentence of the 2nd paragraph. Second sentence of the 2nd paragraph. nn

理想情况下，输出应该是：

1 First sentence of the 1st paragraph. 
1 Second sentence of the 1st paragraph. 
2 First sentence of the 2nd paragraph.
2 Second sentence of the 2nd paragraph.

我熟悉Perl中的Lingua:：Pensiones包，它可以将文档拆分为句子。但是，它与段落编号不兼容。因此，我想知道是否有其他方法可以实现上述目标（文档中没有缩写）。非常感谢您的帮助。谢谢

Answer 1

如果可以将句点.作为分隔符，则可以执行以下操作：

perl -00 -nlwe 'print qq($. $_) for split /(?<=.)/' yourfile.txt

说明：

• -00将输入记录分隔符设置为空字符串，这是段落模式
• -l将输出记录分隔符设置为输入记录分隔符，在本例中转换为两个换行符

然后，我们简单地用一个lookbacking断言分割句号，并打印出句子，在句子前面加上行号。

Answer 2

正如您提到的Lingua::Sentences，我认为可以对该模块的原始输出进行一点操作，以获得所需的

use Lingua::Sentence;
my @paragraphs = split /n{2,}/, $splitter->split($text);
foreach my $index (0..$#paragraphs) {
    my $paragraph = join "nn", map { $index+1 . " $_" } 
        split /n/, $paragraphs[$index];
    print "$paragraphnn";
}