Arabic Sentencizer

A lightweight Arabic sentence segmentation and text analytics toolkit designed for Arabic NLP pipelines, Information Retrieval systems, Large Language Models (LLMs), corpus processing, data annotation workflows, and Retrieval-Augmented Generation (RAG) applications.

Arabic Sentencizer addresses common challenges in Arabic sentence boundary detection while preserving important linguistic and technical patterns such as abbreviations, URLs, emails, decimal numbers, and version identifiers.

---

Features

• Arabic sentence segmentation
• URL-aware sentence splitting
• Email-aware sentence splitting
• Decimal number preservation (1.5, 95.5, ١.٩)
• Version number preservation (v2.1.5)
• Arabic abbreviation handling (د., أ.د., م.)
• Arabic punctuation support (؟, ؛, !)
• Text statistics and analytics
• NLP preprocessing support
• Corpus preparation and annotation workflows
• Information Retrieval preprocessing
• RAG chunking preparation
• Human-readable text analysis reports

---

Installation

Install from PyPI:

pip install arabic-sentencizer

For local development:

pip install -e .

---

Quick Start

Sentence Segmentation

from arabic_sentencizer import split_sentences

text = """
د. أحمد وصل إلى الاجتماع الساعة 10.30 صباحاً.
ثم قال إن نسبة النجاح بلغت 95.5%.
زار الموقع https://www.sanaa.ai ثم انتقل إلى bbc.com.
"""

sentences = split_sentences(text)

for i, sentence in enumerate(sentences, start=1):
    print(i, sentence)

Output:

1 د. أحمد وصل إلى الاجتماع الساعة 10.30 صباحاً.
2 ثم قال إن نسبة النجاح بلغت 95.5%.
3 زار الموقع https://www.sanaa.ai ثم انتقل إلى bbc.com.

---

Real Example

from arabic_sentencizer import split_sentences, analyze_text, print_report

text = """
د. أحمد محمد، أستاذ الذكاء الاصطناعي في جامعة القاهرة، أعلن اليوم عن إصدار جديد من منصة التحليل اللغوي. الإصدار الحالي هو v2.1.5 بينما كان الإصدار السابق v2.0.9 فقط.

قال أ.د. محمد علي: "لقد حققنا نتائج ممتازة في معالجة اللغة العربية." وأضاف أن دقة النظام وصلت إلى 95.7% مقارنة بـ 88.4% العام الماضي.

يمكن للباحثين زيارة الموقع الرسمي:
https://www.sanaa.ai

كما يمكنهم مراجعة الوثائق عبر:
https://docs.sanaa.ai/api/v1.5/index.html

للتواصل مع فريق التطوير يرجى إرسال رسالة إلى:
research@sanaa.ai

بلغ عدد الوثائق المعالجة أكثر من 1.5 مليون وثيقة. كما تم تحليل 125.456.789 كلمة عربية خلال مرحلة الاختبار.

هل يمكن استخدام النظام في تطبيقات البحث الدلالي؟
نعم! يدعم النظام البحث الدلالي والبحث التقليدي معاً.

ممتاز؛ لننتقل الآن إلى تقييم النتائج.

شارك في المشروع كل من:
د. فيصل الشرقي
أ.د. محمود الأحمد
م. خالد السالم

وقد تم نشر النتائج في عدة مؤتمرات منها AAAI 2025 و ACL 2024 و EMNLP 2023.

زار الفريق مواقع مثل bbc.com و wikipedia.org و github.com أثناء جمع البيانات.

وأشار التقرير النهائي إلى أن متوسط زمن الاستجابة بلغ 0.35 ثانية فقط. بينما انخفض زمن الفهرسة من 12.5 ساعة إلى 4.2 ساعة بعد تحسين الخوارزمية.

قال أحد المراجعين:
"هذه من أفضل الأدوات مفتوحة المصدر لمعالجة النصوص العربية."

هل ستتم إضافة دعم للهجات العربية مستقبلاً؟
بالتأكيد. تشمل الخطة القادمة دعم اللهجات الخليجية والشامية والمصرية واليمنية.

شكراً لجميع المساهمين!
"""

print_report(text)

Output:

Arabic Text Analysis Report
===================================
Sentences: 18
Words: 242
Arabic Words: 193
Unique Words: 190
Characters: 1342
Characters without spaces: 1115
Lines: 24
URLs: 6
Emails: 1
Decimal / Version Numbers: 10
Questions: 2
Exclamations: 2
Average Words per Sentence: 13.44
Max Words in a Sentence: 44
Min Words in a Sentence: 1

This example demonstrates support for:

• Arabic abbreviations (د., أ.د., م.)
• URLs and domains
• Email addresses
• Decimal numbers
• Version numbers
• Questions and exclamations
• Arabic punctuation
• Text analytics

---

Text Analytics

from arabic_sentencizer import analyze_text

stats = analyze_text(text)

print(stats["sentences"])
print(stats["words"])
print(stats["top_words"])

---

Human-Readable Report

from arabic_sentencizer import print_report

print_report(text)

---

API

Split Sentences

split_sentences(text: str) -> list[str]

Returns a list of segmented Arabic sentences.

Analyze Text

analyze_text(text: str) -> dict

Returns a dictionary containing text statistics and extracted information.

Print Report

print_report(text: str) -> None

Prints a human-readable summary report.

---

Supported Cases

Arabic Abbreviations

د. أحمد محمد
أ.د. محمد علي
م. خالد السالم

URLs

https://www.sanaa.ai
https://docs.sanaa.ai/api/v1.5/index.html
bbc.com
github.com
wikipedia.org

Emails

research@sanaa.ai

Decimal Numbers

1.5
95.7
88.4
0.35
12.5
4.2
١.٩

Version Numbers

v2.1.5
v2.0.9

Arabic Punctuation

؟
!
؛

---

Text Statistics

The analyze_text() function returns:

Statistic	Description
characters	Total characters
characters_no_spaces	Characters excluding spaces
lines	Number of non-empty lines
sentences	Number of detected sentences
words	Total words
arabic_words	Arabic words only
unique_words	Unique word count
urls	Number of URLs
emails	Number of emails
decimal_or_version_numbers	Decimal and version numbers
questions	Number of questions
exclamations	Number of exclamations
avg_words_per_sentence	Average sentence length
max_words_sentence	Longest sentence length
min_words_sentence	Shortest sentence length
long_sentences	Long sentences
short_sentences	Short sentences
top_words	Most frequent words
sentences_list	All detected sentences
urls_list	Extracted URLs
emails_list	Extracted emails
numbers_list	Extracted numbers

---

Use Cases

• Arabic NLP preprocessing
• Corpus preparation
• Dataset annotation
• Information Retrieval
• Search engines
• Retrieval-Augmented Generation (RAG)
• LLM pipelines
• Arabic content analytics
• Text mining
• Digital humanities research
• Academic research projects

---

Author

Dr. Faisal Alshargi