python中文处理问题——分句

shenhp

　　从普通文件中例如txt中读到的中文是使用gbk编码的。但是我始终不知道decode('gbk')之后是什么编码。但是那种应该是某个unicode编码.
　　我不知道有没有好的处理方式。但是中文分词要先分句。结果我使用string.maketrans()或者是re.sub()..都没有起到将七七八八的符号转换为空格的效果。最后发现可能是由于编码的问题。然后使用了笨方法来做分句，一个一个字符读，读到对应的就分句。另外注意这里如果是gbk编码一定要decode('gbk'),而且不能编码成utf-8,也不能使用过去的gbk活着gb2312编码。否则你分出来的句子就会有乱码的问题。这个问题，我一直不明白为啥米。下面是：
　　def Cut(cutlist,lines):l = []line = []for i in lines:if FindTok(cutlist,i):l.append("".join(line))l.append(i)line = []else:line.append(i)return l
　　然后以行读文件，在切分行为句。上面返回的结果中含有标点符号。标点符号单独存。并且可能结果中包含空格。
　　cutlist = "[。，,！……!《》<>\"':：？\?、\|“”‘’；]{}（）{}【】()｛｝（）：？！。，;、~——+％%`:“”＂'‘\n\r".decode('gbk')for lines in file(inputfilename):l = Cut(list(cutlist),list(lines.decode('gbk')))for line in l:if line.strip() <> "":#这里可能包含空格li = line.strip().split()for sentence in li:print "se:",sentence
　　大家要copy代码的时候注意格式。反正不管怎么说，总算把中文分句搞定了。大家可以根据自己的需要减少或者增加cutlist