knowledge/utils/sentence_util.py

import re
from typing import List
import logging
import argparse
import sys

logger = logging.getLogger(__name__)

class SentenceUtil:
    """中文文本句子拆分工具类
    
    用于将中文文本按照标点符号拆分成句子列表
    """
    
    def __init__(self):
        # 定义结束符号，包括常见的中文和英文标点
        self.end_symbols = ['。', '！', '？', '!', '?', '\n']
        # 定义引号对
        self.quote_pairs = [("'", "'"), ('"', '"'), ('「', '」'), ('『', '』'), ('(', ')'), ('（', '）')]
        
    @staticmethod
    def split_text(text: str, length: int = None) -> List[str]:
        """将文本拆分成句子列表
        
        Args:
            text: 输入的文本字符串
            length: 可选参数，指定拆分后句子的最大长度
            
        Returns:
            拆分后的句子列表
        """
        sentences = SentenceUtil()._split(text)
        if length is not None:
            i = 0
            while i < len(sentences):
                if SentenceUtil().get_valid_length(sentences[i]) <= length and i + 1 < len(sentences):
                    sentences[i] = sentences[i] + sentences[i+1]
                    del sentences[i+1]
                else:
                    i += 1
        return sentences
        
    def _split(self, text: str) -> List[str]:
        """内部拆分方法
        
        Args:
            text: 输入的文本字符串
            length: 可选参数，指定拆分后句子的最大长度
            
        Returns:
            拆分后的句子列表
        """
        if not text or not text.strip():
            return []
        
        try:       
            # 通用拆分逻辑
            sentences = []
            current_sentence = ""
            
            # 用于跟踪引号状态的栈
            quote_stack = []
            
            i = 0
            while i < len(text):
                char = text[i]
                current_sentence += char
                
                # 处理引号开始
                for start, end in self.quote_pairs:
                    if char == start:
                        if not quote_stack or quote_stack[-1][0] != end:
                            quote_stack.append((end, i))
                            break
                
                # 处理引号闭合
                if quote_stack and char == quote_stack[-1][0] and i > quote_stack[-1][1]:
                    quote_stack.pop()
                
                # 处理结束符号，仅在非引号环境中
                if not quote_stack and char in self.end_symbols:
                    if current_sentence.strip():
                        # 保留句子末尾的换行符
                        if char == '\n':
                            current_sentence = current_sentence.rstrip('\n')
                            sentences.append(current_sentence)
                            current_sentence = '\n'
                        else:
                            sentences.append(current_sentence)
                            current_sentence = ""
                    
                    # 处理空格 - 保留空格在下一个句子的开头
                    if i + 1 < len(text) and text[i + 1].isspace() and text[i + 1] != '\n':
                        i += 1
                        current_sentence = text[i]
                
                i += 1
            
            # 处理循环结束时的剩余内容
            if current_sentence.strip():
                sentences.append(current_sentence)
            
            # 如果没有找到任何句子，返回原文本作为一个句子
            if not sentences:
                return [text]
            
            return sentences
            
        except Exception as e:
            logger.error(f"拆分文本时发生错误: {str(e)}")
            return []
    
    @staticmethod
    def clean_text(text: str) -> str:
        """去除除中英文和数字以外的所有字符
        
        Args:
            text: 输入的文本字符串
            
        Returns:
            处理后的字符串
        """
        if not text:
            return text
        return re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', text)

    @staticmethod
    def get_valid_length(text: str) -> int:
        """计算只包含中英文和数字的有效长度
        
        Args:
            text: 输入的文本字符串
            
        Returns:
            有效字符的长度
        """
        if not text:
            return 0
        return len(re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', text))

    def split_by_regex(self, text: str) -> List[str]:
        """使用正则表达式拆分文本
        
        这是一个备选方法，使用正则表达式进行拆分
        
        Args:
            text: 输入的文本字符串
            
        Returns:
            拆分后的句子列表
        """
        if not text or not text.strip():
            return []
            
        try:
            # 使用正则表达式拆分，保留分隔符
            pattern = r'([。！？!?]|\n)'
            parts = re.split(pattern, text)
            
            # 组合分隔符与前面的部分
            sentences = []
            for i in range(0, len(parts), 2):
                if i + 1 < len(parts):
                    sentences.append(parts[i] + parts[i+1])
                else:
                    # 处理最后一个部分（如果没有对应的分隔符）
                    if parts[i].strip():
                        sentences.append(parts[i])
            
            return sentences
        except Exception as e:
            logger.error(f"使用正则表达式拆分文本时发生错误: {str(e)}")
            return [text] if text else []


if __name__ == '__main__':
    input_text = """急性期护理：
- 每4h评估腹痛程度 3-1 PDF
延续护理： 1-2 PDF
患者教育： 3-3 PDF
- 识别复发症状（发热/黄疸）"""
    sentences = SentenceUtil.split_text(input_text,10)
    for sentence in sentences:
        print(sentence)
        print('-----------')