Ordet：Ordet 实操全指南：从零掌握这个“句子级”文本处理工具

学完本文，你将能够独立用 Ordet 完成文本的批量拆分、重组、条件过滤与格式转换，解决日常脚本中“按句处理”的痛点，不再依赖笨重的正则或手工复制粘贴。

---

# 第一步：安装与启动 Ordet

1. 确认环境：Ordet 要求 Python 3.9+，且仅支持 Linux/macOS（Windows 可用 WSL）。在终端输入 `python3 --version` 检查版本。

2. 安装：执行 `pip install ordet-cli`。若提示权限问题，加 `--user` 或使用虚拟环境（`python3 -m venv venv && source venv/bin/activate`）。

3. 验证：输入 `ordet --version`，若输出类似 `ordet 0.4.2` 即成功。若报错 `command not found`，检查 Python 的 Scripts 目录是否在 PATH 中。

---

# 第二步：准备输入文本与理解核心概念

1. 输入文件：Ordet 默认处理纯文本文件（UTF-8）。创建一个 `sample.txt`，内容示例：

```

第一句。第二句！第三句？这是第四句，但带逗号。第五句:带冒号。

```

2. 核心概念：Ordet 以“句子”为最小处理单元。它内置了中英文句号、感叹号、问号、分号作为默认断句符，但不会因逗号或冒号断句。所有操作都是“按句子”进行，而不是按行。

3. 查看默认行为：运行 `ordet split sample.txt`，终端会逐行输出每个句子（每句独立一行），验证它是否正确把上述文本切成了5句。

---

# 第三步：基础操作——拆分与合并

1. 按句子拆分到新文件：`ordet split sample.txt -o sentences.txt`。生成的文件每行一句，便于后续逐句处理。

2. 按指定标点拆分：若想只按问号拆分，用 `-d "?"`：`ordet split sample.txt -d "?" -o only_questions.txt`。注意 `-d` 参数会覆盖默认断句符，需手动包含所需标点（如 `-d "。？！"`）。

3. 合并句子：`ordet join sentences.txt -o merged.txt`，默认用空格连接。若要自定义连接符（如用逗号），加 `-j ","`：`ordet join sentences.txt -j "，" -o merged_comma.txt`。

---

# 第四步：过滤与条件操作（核心功能）

1. 按长度过滤：只保留超过5个字符的句子：`ordet filter --min-len 5 sample.txt -o long_sentences.txt`。`--max-len` 同理。

2. 按关键词过滤：保留包含“风险”的句子：`ordet filter --contains "风险" sample.txt -o risk_sentences.txt`。支持多个关键词，用 `--contains "风险" --contains "收益"`（逻辑为 AND）。

3. 按正则过滤：使用 `--regex` 参数，例如保留含数字的句子：`ordet filter --regex "[0-9]" sample.txt -o has_digits.txt`。正则按 Python 语法。

4. 排除操作：加 `--invert` 反向过滤，如 `ordet filter --contains "风险" --invert sample.txt` 会输出所有不含“风险”的句子。

---

# 第五步：批量处理与格式转换

1. 处理多个文件：`ordet split file1.txt file2.txt -o output_dir/`。注意输出路径必须是目录（以 `/` 结尾），Ordet 会为每个输入文件生成同名输出文件。

2. 转换分隔符：将句号换成换行符：`ordet replace "。" "\n" sample.txt -o replaced.txt`。`replace` 是全局替换，可作用于整个文本。

3. 输出为 JSON：`ordet split sample.txt --json -o output.json`。每条句子变成 JSON 数组中的一个元素，便于后续程序解析。

4. 统计句数：`ordet count sample.txt` 直接输出句子总数。加 `-l` 可同时统计每句字数。

---

# 第六步：脚本化与自动化

1. 在 Python 中调用：Ordet 提供 Python API。在脚本中：

```python

from ordet import split_text, filter_sentences

sentences = split_text(open("sample.txt").read())

filtered = filter_sentences(sentences, min_len=5, contains="风险")

```

2. 管道组合：在 shell 中串联操作，如：

```bash

cat sample.txt | ordet split | ordet filter --min-len 3 | ordet join -j " | "

```

注意 `ordet join` 默认从标准输入读取逐行内容作为句子。

3. 定时任务：写一个 `.sh` 脚本，每天对日志文件执行 `ordet filter --regex "ERROR"` 并输出到新文件，再用 crontab 调度。

---

# 第七步：常见坑与规避建议

1. 坑：断句符漏了分号。默认断句符只含 `.?!`，不含分号。如果你的文本用分号分隔逻辑子句，必须显式加 `-d "。？！；"`，否则会合并成一句。

2. 坑：中文引号内的句号被误断。Ordet 不识别引号配对，`“他说。好。”` 会被拆成两句。解决办法：预处理时用 `replace` 将引号内的句号替换为临时占位符（如 `@@`），处理后再替换回来。

3. 坑：`--contains` 区分大小写。要忽略大小写，用 `--ignore-case` 参数（部分版本支持，请先 `ordet filter --help` 确认）。

4. 坑：输出路径是目录时不会自动创建。务必先 `mkdir -p output_dir`，否则报错。

5. 坑：大文件内存占用。Ordet 默认一次性读入整个文件，处理超过 100MB 的文件可能卡死。建议先用 `split` 或 `head` 切分文件，或改用流式参数 `--stream`（若版本支持）。

---

结尾：最后记住，Ordet 的精髓在于“句子即单元”——一切操作围绕句子展开，不要试图用行处理思维去套用。遇到奇怪结果时，先用 `ordet split` 看看它到底怎么断句，再调整断句符。别忘记测试小样本再上生产数据。