Wie teile ich Text mit NLTK nltk.tokenize.texttiling in Absätze?

Question

Ich habe dieses Split Text into paragraphs NLTK - usage of nltk.tokenize.texttiling? gefunden, das erklärt, wie man einen Text in Texttilling einzieht, aber ich bin nicht fähig, einen Text, der durch Absatz-/Themaänderung symbolisiert wird, wie hier gezeigt unter texttiling http://www.nltk.org/api/nltk.tokenize.html zurückzubringen.

Wenn ich meinen Text in Texttiling füttere, bekomme ich den gleichen nicht-entorteten Text zurück, aber als eine Liste, die mir nichts nützt.

tt = nltk.tokenize.texttiling.TextTilingTokenizer(w=20, k=10,similarity_method=0, stopwords=None, smoothing_method=[0], smoothing_width=2, smoothing_rounds=1, cutoff_policy=1, demo_mode=False) 

    tiles = tt.tokenize(text) # same text returned 

Was ich E-Mails, die diese Grundstruktur

From: X 
    To: Y        (LOGISTICS) 
    Date: 10/03/2017 

    Hello team,      (INTRO) 

    Some text here representing 
    the body       (BODY) 
    of the text. 

    Regards,       (OUTRO) 
    X 

    *****DISCLAIMER*****    (POST EMAIL DISCLAIMER) 
    THIS EMAIL IS CONFIDENTIAL 
    IF YOU ARE NOT THE INTENDED RECIPIENT PLEASE DELETE THIS EMAIL 

folgen Wenn wir diese E-Mail-string s nennen, es ist wie

s = "From: X\nTo: Y\nDate: 10/03/2017 Hello team,\nSome text here representing the body of the text. Regards,\nX\n\n*****DISCLAIMER*****\nTHIS EMAIL IS CONFIDENTIAL\nIF YOU ARE NOT THE INTENDED RECIPIENT PLEASE DELETE THIS EMAIL" 

aussehen würde, was ich tun will Rückkehr diese 5 Abschnitte/Absätze von String s - LOGISTIK, INTRO, KÖRPER, OUTRO, POST EMAIL DISCLAIMER - getrennt so kann ich alles außer dem KÖRPER des t entfernen ext. Wie kann ich diese 5 Abschnitte separat mit nltk texttiling zurückgeben?

*** Nicht alle E-Mails folgen derselben Struktur oder haben den gleichen Wortlaut, daher kann ich keine regulären Ausdrücke verwenden.

Answer 1

Wie wäre es mit splitlines? Oder musst du das nltk-Paket verwenden?

email = """ From: X 
    To: Y        (LOGISTICS) 
    Date: 10/03/2017 

    Hello team,      (INTRO) 

    Some text here representing 
    the body       (BODY) 
    of the text. 

    Regards,       (OUTRO) 
    X 

    *****DISCLAIMER*****    (POST EMAIL DISCLAIMER) 
    THIS EMAIL IS CONFIDENTIAL 
    IF YOU ARE NOT THE INTENDED RECIPIENT PLEASE DELETE THIS EMAIL""" 

y = [s.strip() for s in email.splitlines()] 

print(y)