与正则表达式匹配的句子

Question

我有一个分成多行的文本，没有特定的格式。所以我决定为每一行line.strip('\n')。然后我想使用句子结束标记. 将文本拆分成句子，考虑：

1. 句点. 后跟\s（空格）、\S（如"'）和[A-Z] 将拆分
2. 不要拆分[0-9]\.[A-Za-z]，比如1.stackoverflow real time solution。

我的程序只解决了 1 的一半 - 句点 (.)，后跟 \s 和 [A-Z]。下面是代码：

# -*- coding: utf-8 -*-
import re, sys

source = open(sys.argv[1], 'rb')
dest = open(sys.argv[2], 'wb')
sent = []
for line in source:
    line1 = line.strip('\n')
    k = re.sub(r'\.\s+([A-Z“])'.decode('utf8'), '.\n\g<1>', line1)
    sent.append(k)

for line in sent:
    dest.write(''.join(line))

请！我想知道哪个是掌握正则表达式的最佳方法。这似乎令人困惑。

Answer 1

要在字符类中包含单引号，请使用 \ 对其进行转义。正则表达式应该是：

\.\s+[A-Z"\']

这就是你真正需要的。你只需要告诉一个正则表达式匹配什么，你不需要指定你不想匹配什么。所有不符合模式的东西都不会匹配。

此正则表达式将匹配任何后跟空格、后跟大写字母或引号的句点。由于句号前面紧跟一个数字，后面紧跟一个字母不符合这些条件，因此不匹配。

正如您所说，这是假设您使用的正则表达式正在拆分句点，然后是空格，然后是大写字母。但是请注意，这意味着I am Sam. Sam I am. 将拆分为I am Sam 和am I am。这真的是你想要的吗？如果没有，请使用零宽度断言来排除要匹配但也要保留的部分。以下是您的选项，按照我认为您最可能想要的顺序排列。

1) 保留句号和下一句的第一个字母或开头引号；丢失空格：

(?<=\.)\s+(?=[A-Z"\'])

这会将上面的示例拆分为I am Sam. 和Sam I am.

2) 保留下一句的第一个字母；去掉句号和空格：

\.\s+(?=[A-Z"\'])

这将分为I am Sam 和Sam I am。这假定后面还有更多的句子，否则句号将与第二句保持一致，因为它后面没有空格和大写字母或引号。如果此选项是您想要的选项 - 没有句点的句子，那么您可能还想匹配一个句点，然后是字符串的结尾，并带有可选的中间空格，以便最后一个句点和任何尾随空格都将被删除：

\.(?:\s+(?=[A-Z"\'])|\s*$)

注意?:。您需要非捕获括号，因为如果您在拆分中有捕获组，则该组捕获的任何内容都会作为元素添加到结果中（例如split('(+)', 'a+b+c' 为您提供a 的数组+ b @ 987654340@ c 而不仅仅是 a b c)。

3) 保留一切；空格与前一句搭配：

(?<=\.\s+)(?=[A-Z"\'])

这会给你I am Sam.和Sam I am.

关于你问题的最后一部分，我见过的正则表达式语法的最佳资源是http://www.regular-expressions.info。从这个摘要开始：http://www.regular-expressions.info/reference.html 然后转到教程页面了解更多高级细节：http://www.regular-expressions.info/tutorial.html