如何使用Python解析含对话与描述的文本并分离为两个独立字符串？

嘿，我懂你现在需要批量处理一堆混合了对话和场景描述的文本，把人物说的话提取成字符串x，把所有场景相关的内容提取成y。结合你给的示例文本，我整理了一个实用的Python解决方案，应该能帮你搞定！

先理清楚文本结构 #

从你的例子来看，场景描述分两类：

• 被**中文全角括号（）**包裹的动作/状态细节，比如（快速装上最后几颗子弹）
• 纯叙述性的场景内容，比如出租车在大型立交桥的最高层高速公路路肩上急刹停下。多平德停下计价器，递给死侍他的名片。
  而对话就是人物直接说的内容，比如没时间。就今天不行。十、十一、十二…不成功便成仁。就在这儿！

实现思路 #

我用正则表达式来处理括号内容，再通过简单的规则区分对话和场景叙述，步骤如下：

1. 先把所有括号里的场景内容提取出来，同时把原文本里的括号内容删掉
2. 把剩下的文本按中文标点分句，方便逐个判断是对话还是场景
3. 用自定义规则区分对话和场景叙述（比如带感叹号/问号、数字计数的句子大概率是对话）
4. 把所有对话合并成x，所有场景内容（括号里的+场景叙述）合并成y
5. 写个批量处理函数，搞定文件里的所有文本实例

完整代码示例 #

import re
from typing import Tuple

def extract_dialogue_and_scene(text: str) -> Tuple[str, str]:
    # 提取所有中文括号内的场景内容，兼容换行
    bracket_pattern = re.compile(r'（(.*?)）', re.DOTALL)
    scene_from_brackets = bracket_pattern.findall(text)
    # 移除原文本中的括号内容，得到干净的纯文本
    clean_text = bracket_pattern.sub('', text).strip()
    
    # 按中文句号、感叹号、问号分割句子，保证每个句子完整
    sentence_splitter = re.compile(r'([。！？]+)')
    text_parts = sentence_splitter.split(clean_text)
    sentences = []
    # 把分割后的内容重新组合成完整句子
    for i in range(0, len(text_parts)-1, 2):
        full_sentence = text_parts[i] + text_parts[i+1]
        if full_sentence.strip():
            sentences.append(full_sentence.strip())
    
    # 区分对话和场景叙述，这里的规则可以根据你的文本调整！
    dialogue_lines = []
    scene_narratives = []
    for sent in sentences:
        # 规则：带感叹号/问号、数字计数的句子视为对话，其余为场景叙述
        if '！' in sent or '？' in sent or re.search(r'[零一二三四五六七八九十]+、', sent):
            dialogue_lines.append(sent)
        else:
            scene_narratives.append(sent)
    
    # 合并最终结果
    x = ' '.join(dialogue_lines)
    y = '；'.join(scene_from_brackets + scene_narratives)
    
    return x, y

# 测试你的示例文本
sample_text = "没时间。就今天不行。（快速装上最后几颗子弹）十、十一、十二…不成功便成仁。（给每把枪都上膛，抬头）就在这儿！出租车在大型立交桥的最高层高速公路路肩上急刹停下。多平德停下计价器，递给死侍他的名片。"
dialogue_x, scene_y = extract_dialogue_and_scene(sample_text)
print("提取的对话x：", dialogue_x)
print("提取的场景描述y：", scene_y)

# 批量处理文件中的文本实例（假设每行一个文本实例）
def batch_process(input_file: str, output_file: str = 'processed_results.txt'):
    with open(input_file, 'r', encoding='utf-8') as f:
        all_texts = [line.strip() for line in f if line.strip()]
    
    processed_results = []
    for idx, text in enumerate(all_texts, 1):
        x, y = extract_dialogue_and_scene(text)
        processed_results.append(f"实例{idx}：\n对话：{x}\n场景描述：{y}\n")
    
    # 把结果写入输出文件
    with open(output_file, 'w', encoding='utf-8') as f:
        f.write('\n'.join(processed_results))
    print(f"批量处理完成！结果已保存到 {output_file}")

# 调用批量处理（替换成你的输入文件路径）
# batch_process('your_text_file.txt')

一些可以优化的点 #

• 如果你的文本里有半角括号()，可以把正则里的（）改成[()（）]来兼容
• 如果对话有明确的说话人标记（比如“死侍：”“多平德说：”），可以修改规则，用正则匹配这些前缀，这样准确率会更高
• 要是文本里有换行，re.DOTALL已经帮你处理了，不用担心括号内容跨行会匹配不到

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