如何在Java中使用split方法正确统计文件中的句子数量

你统计的句子数多于实际值，核心问题出在句子分割的逻辑上，具体有以下几处错误：

• 分割后空值未过滤：用[.:]对字符串做split操作时，如果行内容以.或:结尾，split得到的数组最后一位会是空字符串，数组长度会比实际句子数多1，你多出来的2个计数基本就来自2处这种情况
• 分隔符规则不合理：仅用.、:作为句子结束标识，既遗漏了!、?等常见的句子结束符，也没有过滤缩写（比如Mr.、Dr.）、数字小数点、域名中的非句子结束点，容易出现误判
• 跨行句子被拆分：目前你按行拆分句子，如果一个句子跨两行存在，会被拆成两个部分分别计数，也会导致统计结果偏大

你可以先做基础调整解决当前多统计2个的问题，再根据需求优化更复杂的场景：

1. 基础修复（直接解决当前计数偏差）
   将原来的句子统计代码：

String[] sentenceList = line.split("[.:]");
sentenceCount += sentenceList.length;

修改为过滤空字符串后再计数：

String[] sentenceList = line.split("[.:]");
// 过滤空串后计数
for (String s : sentenceList) {
    if (s.trim().length() > 0) {
        sentenceCount++;
    }
}

2. 进阶优化（适配更多场景）
   如果需要更高的准确率，可以做以下调整：

• 扩展句子结束符为[.!?]，同时排除冒号（大部分场景下冒号不算句子结束标识）
• 如果有缩写识别需求，可以提前预设常见缩写名单，匹配到缩写中的点时跳过分割
• 不要按行拆分处理，可以先读取完整文本内容再做整体的句子分割，避免跨行句子被拆分统计

内容的提问来源于stack exchange，提问作者Alex