python实现中文文本分句

对于英文文本分句比较简单，只要根据终结符"."划分就好，中文文本分句看似很简单，但是实现时会遇到很多麻烦，尤其是处理社交媒体数据时，会遇到文本格式不规范等问题。下面代码针对一段一段的短文本组成了文档分句

import re
def cut_sent(infile, outfile):
    cutLineFlag = ["？", "！", "。","…"] #本文使用的终结符，可以修改
    sentenceList = []
    with open(infile, "r", encoding="UTF-8") as file:
        oneSentence = ""
        for line in file:
            words = line.strip()
            if len(oneSentence)!=0:
                sentenceList.append(oneSentence.strip() + "\r")
                oneSentence=""
            # oneSentence = ""
            for word in words:
                if word not in cutLineFlag:
                    oneSentence = oneSentence + word
                else:
                    oneSentence = oneSentence + word
                    if oneSentence.__len__() > 4:
                        sentenceList.append(oneSentence.strip() + "\r")
                    oneSentence = ""
    with open(outfile, "w", encoding="UTF-8") as resultFile:
        print(sentenceList.__len__())
        resultFile.writelines(sentenceList)

如果段尾3没有终结符但是换行了，这句话可能会丢失，所有加入如下代码：

            if len(oneSentence)!=0:
                sentenceList.append(oneSentence.strip() + "\r")
                oneSentence=""

会得到比较好的处理结果

要处理的文本：

自从微信出了三天可见功能，我的朋友圈就越来越冷清越来越冷清越来越冷清，点开都没什么可看的了。今天我把屏蔽的代购一个一个一个都放出来了，快过年了，热闹点
一女性，想DIY矫正门牙缝隙，在家自己制取模型，结果悲剧了，因为用的是石膏，自己无法取出，来我院求助，医生废了九牛二虎之力才搞定……DIY有风险，操作需谨慎！
闺女同学家养了一只鹦鹉，两只珍珠鸟，一只猫，两只仓鼠。鹦鹉是老大，珍珠鸟怕它，猫是后进家的，也怕鹦鹉。仓鼠经常溜出笼子，据说猫会把它逮住塞回笼子。

处理后的文本：

自从微信出了三天可见功能，我的朋友圈就越来越冷清越来越冷清越来越冷清，点开都没什么可看的了。
今天我把屏蔽的代购一个一个一个都放出来了，快过年了，热闹点
一女性，想DIY矫正门牙缝隙，在家自己制取模型，结果悲剧了，因为用的是石膏，自己无法取出，来我院求助，医生废了九牛二虎之力才搞定…
DIY有风险，操作需谨慎！
闺女同学家养了一只鹦鹉，两只珍珠鸟，一只猫，两只仓鼠。
鹦鹉是老大，珍珠鸟怕它，猫是后进家的，也怕鹦鹉。
仓鼠经常溜出笼子，据说猫会把它逮住塞回笼子。

 得到了比较好的分句结果，也不会丢失信息。