提取字符串中的第一句话

Question

我想从下面的正则表达式中提取第一句话。我要实施的规则（我知道这不是通用解决方案）是从字符串开始 ^ 中提取直到（包括）第一个以小写字母开头的句点/感叹号/问号或号码。

require(stringr)

x = "Bali bombings: U.S. President George W. Bush amongst many others has condemned the perpetrators of the Bali car bombing of October 11. The death toll has now risen to at least 187."

到目前为止，我最好的猜测是尝试实现非贪婪的 string-before-match approach 在这种情况下失败：

str_extract(x, '.+?(?=[a-z0-9][.?!] )')
[1] NA

非常感谢任何提示。

Answer 1

您将[a-z0-9][.?!] 放入一个非消耗的前瞻模式中，如果您打算使用str_extract，则需要使其消耗：

> str_extract(x, '.*?[a-z0-9][.?!](?= )')
[1] "Bali bombings: U.S. President George W. Bush amongst many others has condemned the perpetrators of the Bali car bombing of October 11."

见this regex demo。

详情

• .*? - 除换行符以外的任何 0+ 个字符
• [a-z0-9] - ASCII 小写字母或数字
• [.?!] - .、? 或 !
• (?= ) - 后跟一个文字空格。

或者，您可以使用sub:

sub("([a-z0-9][?!.])\\s.*", "\\1", x)

见this regex demo。

详情

• ([a-z0-9][?!.]) - 第 1 组（用替换模式中的 \1 表示）：一个 ASCII 小写字母或数字，然后是 ?、! 或 .
• \s - 一个空格
• .* - 任何 0+ 个字符，尽可能多（直到字符串末尾）。

Answer 2

corpus在确定句子边界时对缩写有特殊处理：

library(corpus)       
text_split(x, "sentences")
#>   parent index text                                                                                                                           
#> 1 1          1 Bali bombings: U.S. President George W. Bush amongst many others #> has condemned the perpetrators of the Bali car bombing of Oct…
#> 2 1          2 The death toll has now risen to at least 187.  

还有一些有用的数据集，其中包含许多语言（包括英语）的常用缩写。参见corpus::abbreviations_en，可用于消除句子边界的歧义。