Google Cloud NL API设置Document.Type为HTML是否影响分句？

没错，把Document.Type设为HTML确实会改变API的分句方式，和用PLAIN_TEXT的处理逻辑不一样，这里给你详细拆解下：

关键区别在哪里？ #

当指定文档类型为HTML时，API会先解析HTML的结构，识别像标题、段落这类块级元素的边界，这些结构信息会直接影响分句的判断。而PLAIN_TEXT模式下，API完全不管HTML标签，只盯着纯文本里的标点、空格来断句。

你的示例具体会怎么处理？ #

拿你给出的这段HTML来说：

<h3>Wholemeal pasta</h3> <p>They are absolutely amazing.</p>

• 如果用HTML类型：API能认出<h3>和<p>是两个独立的块级元素，会把它们当成两个分开的语义单元处理，最终得到两个独立句子：

  "Wholemeal pasta."
  "They are absolutely amazing."
  （标题末尾的句号是API自动补的，因为它判断标题是一个完整的表述）

• 如果用PLAIN_TEXT类型：API会先把所有HTML标签剥掉，得到纯文本Wholemeal pasta They are absolutely amazing.，然后只看末尾的句号，最终只会识别出一个句子。

额外提醒 #

简单说，HTML模式会利用文档的结构来划分语义边界，块级元素基本都会被当成独立的内容块，进而影响分句结果。要是你需要保留HTML结构带来的自然断句，就选HTML类型；要是只需要纯文本的分句逻辑，就用PLAIN_TEXT。

内容的提问来源于stack exchange，提问作者Lazhar