如何计算R中文本中的句子数？答案

【问题标题】：How to count the number of sentences in a text in R?如何计算R中文本中的句子数？
【发布时间】：2012-09-26 08:51:12
【问题描述】：

我使用 readChar() 函数将文本读入 R。我的目的是检验文本句子中出现字母“a”的次数与出现字母“b”的次数一样多的假设。我最近发现了{stringr} 包，它对我的文本做了很多有用的事情，例如计算字符数和整个文本中每个字母的出现总数。现在，我需要知道整个文本中的句子数量。 R是否有任何功能可以帮助我做到这一点？非常感谢！

【问题讨论】：

标签： r text-mining

【解决方案1】：

感谢@gui11aume 的回答。我刚刚发现可以帮助完成这项工作的一个非常好的包是{openNLP}。这是执行此操作的代码：

install.packages("openNLP") ## Installs the required natural language processing (NLP) package
install.packages("openNLPmodels.en") ## Installs the model files for the English language
library(openNLP) ## Loads the package for use in the task
library(openNLPmodels.en) ## Loads the model files for the English language

text = "Dr. Brown and Mrs. Theresa will be away from a very long time!!! I can't wait to see them again." ## This sentence has unusual punctuation as suggested by @gui11aume

x = sentDetect(text, language = "en") ## sentDetect() is the function to use. It detects and seperates sentences in a text. The first argument is the string vector (or text) and the second argument is the language.
x ## Displays the different sentences in the string vector (or text).

[1] "Dr. Brown and Mrs. Theresa will be away from a very long time!!! "
[2] "I can't wait to see them again."

length(x) ## Displays the number of sentences in the string vector (or text).

[1] 2

{openNLP} 包非常适合在 R 中进行自然语言处理，您可以在here 找到一个很好的简短介绍，或者您可以查看包的文档here。

包中还支持三种语言。您只需要安装并加载相应的模型文件即可。

{openNLPmodels.es} 西班牙语
{openNLPmodels.ge} 德语
{openNLPmodels.th} 泰语

【讨论】：

@ManojKumar 实际上，openNLP 包在几年前发生了翻天覆地的变化。检查此问题的第二个答案：stackoverflow.com/questions/18370518/…

【解决方案2】：

您正在寻找的是句子标记化，它并不像看起来那么简单，即使在英语中也是如此（像“我遇到了 Bennett 博士，约翰逊夫人的前夫。”这样的句子可以包含句号）。

R 绝对不是自然语言处理的最佳选择。如果你精通Python，我建议你看看nltk 模块，它涵盖了这个和许多其他主题。您也可以从this blog post 复制代码，它会进行句子标记和单词标记。

如果你想坚持使用 R，我建议你计算句尾字符（.、?、!），因为你可以计算字符。使用正则表达式的一种方法是这样的：

text <- 'Hello world!! Here are two sentences for you...'
length(gregexpr('[[:alnum:] ][.!?]', text)[[1]])

【讨论】：

为什么 R 不是一个好的选择，@SavedByJESUS 似乎找到了一个包含将文本拆分为句子的功能的包。此外，由于您给自己的原因，您在 R 中的解决方案并不是真正的解决方案，例如法斯托夫博士。
@PaulHiemstra R 是一种快速发展的编程语言，每天都会添加所有额外的包，以至于很难跟上一切:)