Python中实现含例外规则的句子分割：跳过Mt.后的句点

嗨，这个问题我太熟了！直接用split(".")确实会踩坑——它会把所有句号都当作句子分割点，就连Mt.这种缩写里的句号也被拆分，导致得到错误的结果。给你两个靠谱的解决方案：

方案一：纯正则表达式（无需第三方库） #

我们可以用正则的负向回顾断言来区分“缩写里的句号”和“句子结尾的句号”：只分割那些前面不是短单词（比如1-2个字母的缩写，像Mt、Mr、Ms这类）的句号，并且确保句号后面是空格加大写字母（句子开头的特征），或者句号在字符串末尾。

代码示例：

import re

data = "Mt. Everest is the highest peak in the world. It's height is 8848 m."
# 正则规则：匹配符合句子结尾特征的句号，排除缩写里的句号
sentences = re.split(r'(?<!\b[A-Za-z]{1,2})\. (?=[A-Z])|\.$', data)
# 过滤掉分割后产生的空字符串，同时去除多余空格
sentences = [sent.strip() for sent in sentences if sent.strip()]

print(sentences)
# 输出：["Mt. Everest is the highest peak in the world", "It's height is 8848 m"]

方案二：用NLTK专业分词工具（更健壮） #

如果需要处理更多复杂场景（比如更多类型的缩写、特殊句式），可以用NLTK库的sent_tokenize——它是专门训练过的句子分割工具，能自动识别缩写，不会误拆分。

首先需要安装NLTK并下载必要的模型：

# 安装NLTK（如果没装过）
# pip install nltk

import nltk
nltk.download('punkt')  # 下载分词模型

然后使用工具分割句子：

from nltk.tokenize import sent_tokenize

data = "Mt. Everest is the highest peak in the world. It's height is 8848 m."
sentences = sent_tokenize(data)

print(sentences)
# 输出：["Mt. Everest is the highest peak in the world.", "It's height is 8848 m."]

这两种方法都能完美解决你的问题，纯正则适合不想引入第三方库的场景，NLTK则更适合处理复杂文本~

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