如何用Python正则匹配标点后的双引号以拆分句子

嘿，我懂你的感受——正则久不用确实容易手生，不过你的场景太友好了：专业编辑过的文本，没有那些乱七八糟的不规范用法，简单正则就能完美解决！

核心思路 #

专业撰写的文本里，句子的结束标志很清晰：通常是以 .、?、! 结尾，后面跟着一个或多个空白字符（空格居多）。我们可以利用这个规律，用正则匹配这些句子分隔点，把每行评论拆分成独立的句子，再逐行写入新文件。

推荐正则表达式 #

我推荐用这个后顾断言的正则来做拆分：

(?<=[.!?])\s+

• (?<=[.!?])：正向后顾断言，确保我们只在句子结束符（.、!、?）之后进行拆分，不会把句子中间的标点（比如缩写里的点）当成拆分点
• \s+：匹配一个或多个空白字符（空格、制表符都能覆盖），刚好对应句子之间的分隔空格

实操示例（Python） #

假设你的源文件叫 comments.txt，可以用这段代码快速处理：

import re

# 读取源文件的所有评论行
with open("comments.txt", "r", encoding="utf-8") as input_file:
    comment_lines = input_file.readlines()

# 拆分并写入单句子文件
with open("sentences.txt", "w", encoding="utf-8") as output_file:
    for line in comment_lines:
        # 先去掉每行末尾的换行符，再拆分句子
        split_sentences = re.split(r'(?<=[.!?])\s+', line.strip())
        # 把每个句子单独写入一行
        for sentence in split_sentences:
            if sentence:  # 跳过可能出现的空字符串
                output_file.write(f"{sentence}\n")

小提醒 #

如果你的文本里有少量带点的缩写（比如 Mr.、Dr.），这个正则可能会误拆，但你说文本是专业编辑过的，大概率已经规避了这种情况；如果真遇到了，只需给正则加个排除规则就行，不过当前场景完全不需要~

内容的提问来源于stack exchange，提问作者Jason Thomas