Python：在单词边界上拆分unicode字符串

Question

我需要一个字符串，并将其缩短为140个字符。

目前我做的：

if len(tweet) > 140: 
    tweet = re.sub(r"\s+", " ", tweet) #normalize space 
    footer = "… " + utils.shorten_urls(post['url']) 
    avail = 140 - len(footer) 
    words = tweet.split() 
    result = "" 
    for word in words: 
     word += " " 
     if len(word) > avail: 
      break 
     result += word 
     avail -= len(word) 
    tweet = (result + footer).strip() 
    assert len(tweet) <= 140 

所以这对英语的伟大工程，英文字符串一样，但没有一个中国字符串，因为tweet.split()只返回一个数组：

>>> s = u"简讯：新華社報道，美國總統奧巴馬乘坐的「空軍一號」專機晚上10時42分進入上海空域，預計約30分鐘後抵達浦東國際機場，開展他上任後首次訪華之旅。" 
>>> s 
u'\u7b80\u8baf\uff1a\u65b0\u83ef\u793e\u5831\u9053\uff0c\u7f8e\u570b\u7e3d\u7d71\u5967\u5df4\u99ac\u4e58\u5750\u7684\u300c\u7a7a\u8ecd\u4e00\u865f\u300d\u5c08\u6a5f\u665a\u4e0a10\u664242\u5206\u9032\u5165\u4e0a\u6d77\u7a7a\u57df\uff0c\u9810\u8a08\u7d0430\u5206\u9418\u5f8c\u62b5\u9054\u6d66\u6771\u570b\u969b\u6a5f\u5834\uff0c\u958b\u5c55\u4ed6\u4e0a\u4efb\u5f8c\u9996\u6b21\u8a2a\u83ef\u4e4b\u65c5\u3002' 
>>> s.split() 
[u'\u7b80\u8baf\uff1a\u65b0\u83ef\u793e\u5831\u9053\uff0c\u7f8e\u570b\u7e3d\u7d71\u5967\u5df4\u99ac\u4e58\u5750\u7684\u300c\u7a7a\u8ecd\u4e00\u865f\u300d\u5c08\u6a5f\u665a\u4e0a10\u664242\u5206\u9032\u5165\u4e0a\u6d77\u7a7a\u57df\uff0c\u9810\u8a08\u7d0430\u5206\u9418\u5f8c\u62b5\u9054\u6d66\u6771\u570b\u969b\u6a5f\u5834\uff0c\u958b\u5c55\u4ed6\u4e0a\u4efb\u5f8c\u9996\u6b21\u8a2a\u83ef\u4e4b\u65c5\u3002'] 

应该如何我这样做，所以它处理I18N？这对所有语言都有意义吗？

我在python 2.5.4上，如果有问题的话。

Answer 1

与一些本地的粤语，普通话和日语的人沟通后，似乎做了正确的事情是很难的，但我目前的算法仍然对他们有意义的互联网职位的情况下。

含义，它们用于“在空间上分割并在末尾添加...”处理。

因此，我会懒惰，坚持下去，直到我收到不明白的人的投诉。

我原来执行的唯一变化是不强迫上的最后一个字的空间，因为它是在任何语言不需要（和使用Unicode字符的... &#x2026，而不是... three dots保存2个字符）

根据Unicode字符属性数据库，

Answer 2

中文在单词之间通常不会有空格，而且这些符号根据上下文可以有不同的含义。你将不得不理解文本才能在文字边界处分割它。换句话说，你试图做的事情一般来说并不容易。

Answer 3

对于中文分词以及处理自然语言的其他高级任务，如果不是完整的解决方案，考虑NLTK是一个很好的起点 - 它是一个基于Python的丰富工具包，特别适合学习NL处理技术（并且很少能够提供给您一些解决这些问题的可行解决方案）。

Answer 4

这使得重新模块的破门决策成为可能，但它对您来说可能已经足够好了。

import re 

def shorten(tweet, footer="", limit=140): 
    """Break tweet into two pieces at roughly the last word break 
    before limit. 
    """ 
    lower_break_limit = limit/2 
    # limit under which to assume breaking didn't work as expected 

    limit -= len(footer) 

    tweet = re.sub(r"\s+", " ", tweet.strip()) 
    m = re.match(r"^(.{,%d})\b(?:\W|$)" % limit, tweet, re.UNICODE) 
    if not m or m.end(1) < lower_break_limit: 
     # no suitable word break found 
     # cutting at an arbitrary location, 
     # or if len(tweet) < lower_break_limit, this will be true and 
     # returning this still gives the desired result 
     return tweet[:limit] + footer 
    return m.group(1) + footer 

Answer 5

re.U flag将视为\s。

给定的字符串，但显然并未按照python的Unicode数据库包含任何空白字符：

>>> x = u'\u7b80\u8baf\uff1a\u65b0\u83ef\u793e\u5831\u9053\uff0c\u7f8e\u570b\u7e3d\u7d71\u5967\u5df4\u99ac\u4e58\u5750\u7684\u300c\u7a7a\u8ecd\u4e00\u865f\u300d\u5c08\u6a5f\u665a\u4e0a10\u664242\u5206\u9032\u5165\u4e0a\u6d77\u7a7a\u57df\uff0c\u9810\u8a08\u7d0430\u5206\u9418\u5f8c\u62b5\u9054\u6d66\u6771\u570b\u969b\u6a5f\u5834\uff0c\u958b\u5c55\u4ed6\u4e0a\u4efb\u5f8c\u9996\u6b21\u8a2a\u83ef\u4e4b\u65c5\u3002' 
>>> re.compile(r'\s+', re.U).split(x) 
[u'\u7b80\u8baf\uff1a\u65b0\u83ef\u793e\u5831\u9053\uff0c\u7f8e\u570b\u7e3d\u7d71\u5967\u5df4\u99ac\u4e58\u5750\u7684\u300c\u7a7a\u8ecd\u4e00\u865f\u300d\u5c08\u6a5f\u665a\u4e0a10\u664242\u5206\u9032\u5165\u4e0a\u6d77\u7a7a\u57df\uff0c\u9810\u8a08\u7d0430\u5206\u9418\u5f8c\u62b5\u9054\u6d66\u6771\u570b\u969b\u6a5f\u5834\uff0c\u958b\u5c55\u4ed6\u4e0a\u4efb\u5f8c\u9996\u6b21\u8a2a\u83ef\u4e4b\u65c5\u3002'] 

Answer 6

保存两个字符并使用省略号（…，0x2026），而不是三个点的！

Answer 7

我试用了PyAPNS的推送通知解决方案，只是想分享一下我的工作。我遇到的问题是在UTF-8中以256字节截断会导致通知丢失。我必须确保通知编码为“unicode_escape”才能使其工作。我假设这是因为结果发送为JSON而不是原始的UTF-8。反正这里是为我工作的功能：

def unicode_truncate(s, length, encoding='unicode_escape'): 
    encoded = s.encode(encoding)[:length] 
    return encoded.decode(encoding, 'ignore') 

Answer 8

基本上，在CJK（除韩国有空格），就需要字典查询，UPS细分的话正确。根据你对“单词”的确切定义，日语可能比这更难，因为并不是所有的单词变体（即“行こう”与“行った”）都会出现在词典中。是否值得这个努力取决于你的应用。