Skip to content

Instantly share code, notes, and snippets.

@MarshalW
Created February 27, 2022 08:23
Show Gist options
  • Save MarshalW/91fc4b9b700ca07cf50f9ac64ca6e44b to your computer and use it in GitHub Desktop.
Save MarshalW/91fc4b9b700ca07cf50f9ac64ca6e44b to your computer and use it in GitHub Desktop.
spacy 做中英文断句

spacy 做中英文断句

粗略测试,比 nltk 好用:

  • 支持中文
  • Mr.Zhang 这样的词不会做错误的断句

代码:

#!/usr/bin/env python3

import spacy
nlp = spacy.load('zh_core_web_sm')

txt = """
唐朝历史可以概略分成数个时期,大致上以安史之乱为界。初唐时军事实力强盛,但人口处于中国历史上的低点。李渊建立唐朝,年号武德,是为高祖。其子秦王李世民在唐朝建立中立下赫赫战功,号天策上将,与父亲、兄弟的矛盾逐渐激化。626年,发动玄武门之变,射杀太子李建成、齐王李元吉,促使高祖内禅帝位,是为太宗。
"""
doc = nlp(txt)

for sent in doc.sents:
    print(sent)
    print('#'*5)

效果:

$ ./demo_zh.py 

唐朝历史可以概略分成数个时期,大致上以安史之乱为界。
#####
初唐时军事实力强盛,但人口处于中国历史上的低点。
#####
李渊建立唐朝,年号武德,是为高祖。
#####
其子秦王李世民在唐朝建立中立下赫赫战功,号天策上将,与父亲、兄弟的矛盾逐渐激化。
#####
626年,发动玄武门之变,射杀太子李建成、齐王李元吉,促使高祖内禅帝位,是为太宗。
#####


#####
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment