将文本文件中的每个句子放入数组中，但检测标题/标题

Question

我需要将文本文档/字符串中的每个句子放入一个数组中。

问题在于如何处理标题、标题等不属于句子的文本部分，但不以句号“.”结尾来检测。 无法检测到这些将导致它们被卡在以下句子的前面（如果我使用“。”来区分句子），这是我不可能发生的。

最初我打算使用：

contentRefined = content.Replace(" \n", ". ");

我认为这会删除所有空行和换行符，并在标题的末尾放置句号以被检测并视为句子，这将导致“..”但我可以再次将它们替换为没有。

但是没有用，它只是留下了完整的空行，然后在空行的开头放了一个“。”......以及每个段落的开头的“。”

我现在已经试过了：

contentRefined = Regex.Replace(content, @"^\s+$[\r\n]*", "", RegexOptions.Multiline);

这完全删除了完整的空行，但并没有让我更接近在标题的末端添加句号。

我需要将句子和标题/标题放在一个数组中，我不确定是否有一种方法可以做到这一点，而不必用诸如“。”之类的东西来分割字符串

编辑：显示我如何从文件中获取测试的完整当前代码

 public void sentenceSplit()
    {
        content = File.ReadAllText(@"I:\Project\TLDR\Test Text.txt");
        contentRefined = Regex.Replace(content, @"^\s+$[\r\n]*", "", RegexOptions.Multiline);
        //contentRefined = content.Replace("\n", ". ");
    }

Answer 1

我假设“标题”和“标题”在各自的行中，并且不会以句点结尾。

如果是这样，那么这可能对你有用：

var filePath = @"C:\Temp\temp.txt";
var sentences = new List<string>();

using (TextReader reader = new StreamReader(filePath))
{
    while (reader.Peek() >= 0)
    {
        var line = reader.ReadLine();

        if (line.Trim().EndsWith("."))
        {
            line.Split(new[] {'.'}, StringSplitOptions.RemoveEmptyEntries)
                .ToList()
                .ForEach(l => sentences.Add(l.Trim() + "."));
        }
    }
}

// Output sentences to console
sentences.ForEach(Console.WriteLine);

更新

使用File.ReadAllLines() 方法的另一种方法，并在RichTextBox 中显示句子：

private void Form1_Load(object sender, EventArgs e)
{
    var filePath = @"C:\Temp\temp.txt";

    var sentences = File.ReadAllLines(filePath)
        // Only select lines that end in a period
        .Where(l => l.Trim().EndsWith("."))
        // Split each line into sentences (one line may have many sentences)
        .SelectMany(s => s.Split(new[] {'.'}, StringSplitOptions.RemoveEmptyEntries))
        // Trim any whitespace off the ends of the sentence and add a period to the end
        .Select(s => s.Trim() + ".")
        // And finally cast it to a List (or you could do 'ToArray()')
        .ToList();

    // To show each sentence in the list on it's own line in the rtb:
    richTextBox1.Text = string.Join("\n", sentences);

    // Or to show them all, one after another:
    richTextBox1.Text = string.Join(" ", sentences);
}

更新

既然我想我明白你在问什么，这就是我要做的。首先，我会创建一些类来管理所有这些东西。如果您将文档分成几部分，您会得到如下内容：

标题

第一句。第二句。段落 带有数字的第三句，就像在这句话中一样：“$5.00 不是 和以前一样”。

空白部分的标题

多个段落的标题

第一句。段落 第二句。第三段带有数字的句子，就像这样 引用：“5.00 美元没有过去那么高了”。

第一句。第二句。段句 三和一个数字，就像在这句话中：“$5.00 还不够 它曾经”。

第一句。第二句。段句 三和一个数字，就像在这句话中：“$5.00 还不够 它曾经”。

所以我会创建以下类。首先，一个代表一个“部分”。这是由一个标题和零到多个段落定义的：

private class Section
{
    public string Header { get; set; }

    public List<Paragraph> Paragraphs { get; set; }

    public Section()
    {
        Paragraphs = new List<Paragraph>();
    }
}

然后我会定义一个段落，其中包含一个或多个句子：

private class Paragraph
{
    public List<string> Sentences { get; set; }

    public Paragraph()
    {
        Sentences = new List<string>();
    }
}

现在我可以填充部分列表来表示文档：

var filePath = @"C:\Temp\temp.txt";

var sections = new List<Section>();
var currentSection = new Section();
var currentParagraph = new Paragraph();

using (TextReader reader = new StreamReader(filePath))
{
    while (reader.Peek() >= 0)
    {
        var line = reader.ReadLine().Trim();

        // Ignore blank lines
        if (string.IsNullOrWhiteSpace(line)) continue;

        if (line.EndsWith("."))
        {
            // This line is a paragraph, so add all the sentences
            // it contains to the current paragraph
            line.Split(new[] {". "}, StringSplitOptions.RemoveEmptyEntries)
                .Select(l => l.Trim().EndsWith(".") ? l.Trim() : l.Trim() + ".")
                .ToList()
                .ForEach(l => currentParagraph.Sentences.Add(l));

            // Now add this paragraph to the current section
            currentSection.Paragraphs.Add(currentParagraph);

            // And set it to a new paragraph for the next loop
            currentParagraph = new Paragraph();
        }
        else if (line.Length > 0)
        {
            // This line is a header, so we're starting a new section.
            // Add the current section to our list and create a 
            // a new one, setting this line as the header.
            sections.Add(currentSection);
            currentSection = new Section {Header = line};
        }
    }

    // Finally, if the current section contains any data, add it to the list
    if (currentSection.Header.Length > 0 || currentSection.Paragraphs.Any())
    {
        sections.Add(currentSection);
    }
}

现在我们将整个文档放在一个部分列表中，并且我们知道它们包含的顺序、标题、段落和句子。作为如何分析它的示例，这里有一种将其写回RichTextBox的方法：

// We can build the document section by section
var documentText = new StringBuilder();

foreach (var section in sections)
{
    // Here we can display headers and paragraphs in a custom way.
    // For example, we can separate all sections with a blank line:
    documentText.AppendLine();

    // If there is a header, we can underline it
    if (!string.IsNullOrWhiteSpace(section.Header))
    {
        documentText.AppendLine(section.Header);
        documentText.AppendLine(new string('-', section.Header.Length));
    }

    // We can mark each paragraph with an arrow (--> )
    foreach (var paragraph in section.Paragraphs)
    {
        documentText.Append("--> ");

        // And write out each sentence, separated by a space
        documentText.AppendLine(string.Join(" ", paragraph.Sentences));
    }
}

// To make the underline approach above look
// half-way decent, we need a fixed-width font
richTextBox1.Font = new Font(FontFamily.GenericMonospace, 9);

// Now set the RichTextBox Text equal to the StringBuilder Text
richTextBox1.Text = documentText.ToString();