Text-Zusammenfasser
Fassen Sie langen Text zusammen, indem Sie die wichtigsten Sätze extrahieren.
Über dieses Tool
Ein Textzusammenfasser hilft dir, schnell die wichtigsten Informationen aus langen Dokumenten, Artikeln oder Berichten zu extrahieren, indem er Schlüsselsätze identifiziert und beibehält. Dieses Tool ist unverzichtbar für jeden, der mit großen Textmengen arbeitet—egal ob du ein Student, der Forschungsarbeiten durchsiehst, ein Berufstätiger, der mehrere Dokumente verwaltet, oder jemand, der sich informieren möchte, ohne Stunden zu lesen.
Füge deinen Text einfach in das Eingabefeld ein oder gib ihn ein, passe die Zusammenfassungslänge nach Bedarf an, und das Tool wird intelligent die wichtigsten Sätze identifizieren und sie in einem kondensiertem Format darstellen. Es funktioniert sofort in deinem Browser, ohne dass ein Konto erforderlich ist oder Dateien auf externe Server hochgeladen werden müssen, was es zu einer schnellen und privaten Lösung für die tägliche Textkompression macht.
Der Zusammenfasser funktioniert am besten bei formalen, gut strukturierten Inhalten wie Nachrichtenartikeln, wissenschaftlichen Arbeiten und Geschäftsdokumenten, bei denen wichtige Informationen klar dargelegt sind. Bei kreativen Texten oder hochspezialisierten Inhalten mit Fachvokabular können die Ergebnisse variieren, daher lohnt sich ein Vergleich zwischen Zusammenfassung und Original immer, um sicherzustellen, dass keine kritischen Details verloren gingen.
Häufig gestellte Fragen
Code-Implementierung
# Extractive text summarization (TF-based)
import re
from collections import Counter
STOP_WORDS = {
"the", "a", "an", "and", "or", "but", "in", "on", "at", "to", "for",
"of", "with", "by", "from", "is", "was", "are", "were", "be", "been",
"has", "have", "had", "do", "does", "did", "will", "would", "could",
"should", "that", "this", "it", "its", "he", "she", "they", "we", "you",
"i", "not", "no", "as", "if", "so", "than", "then", "more", "most",
}
def tokenize_sentences(text: str) -> list[str]:
sentences = re.split(r'(?<=[.!?])\s+', text.strip())
return [s.strip() for s in sentences if len(s.strip()) > 10]
def word_frequency(sentences: list[str]) -> dict[str, int]:
words = re.findall(r"[a-z']+", " ".join(sentences).lower())
return Counter(w for w in words if w not in STOP_WORDS and len(w) > 2)
def score_sentences(sentences: list[str], freq: dict[str, int]) -> list[float]:
scores = []
n = len(sentences)
for i, sentence in enumerate(sentences):
words = re.findall(r"[a-z']+", sentence.lower())
score = sum(freq.get(w, 0) for w in words)
if words:
score /= len(words) # normalize by length
# Position weight
rel_pos = i / max(n - 1, 1)
if rel_pos <= 0.2:
score *= 1.4
elif rel_pos >= 0.8:
score *= 1.2
scores.append(score)
return scores
def summarize(text: str, num_sentences: int = 3) -> str:
sentences = tokenize_sentences(text)
if len(sentences) <= num_sentences:
return text
freq = word_frequency(sentences)
scores = score_sentences(sentences, freq)
# Get top-N sentence indices, sort by original position
ranked = sorted(range(len(scores)), key=lambda i: -scores[i])[:num_sentences]
selected = sorted(ranked)
return " ".join(sentences[i] for i in selected)
# Example
text = """...""" # Your long text here
print(summarize(text, num_sentences=3))Comments & Feedback
Comments are powered by Giscus. Sign in with GitHub to leave a comment.