使用包含缩写的正则表达式在 Python 中拆分段落

Question

尝试在包含 3 个字符串和缩写的段落上使用此功能。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

def splitParagraphIntoSentences(paragraph):
    ''' break a paragraph into sentences
        and return a list '''
    import re
    # to split by multile characters

    #   regular expressions are easiest (and fastest)
    sentenceEnders = re.compile('[.!?][\s]{1,2}[A-Z]')
    sentenceList = sentenceEnders.split(paragraph)
    return sentenceList

if __name__ == '__main__':
    p = "While other species (e.g. horse mango, M. foetida) are also grown ,Mangifera indica – the common mango or Indian mango – is the only mango tree. Commonly cultivated in many tropical and subtropical regions, and its fruit is distributed essentially worldwide.In several cultures, its fruit and leaves are ritually used as floral decorations at weddings, public celebrations and religious "

    sentences = splitParagraphIntoSentences(p)
    for s in sentences:
        print s.strip()

下一个开头句的第一个字符被淘汰，

收到的 O/p： 而其他芒果属物种（例如马芒果、M. foetida）也生长在 更本地化的基础，Mangifera indica ΓÇô 普通芒果或印度芒果 ΓÇô 是唯一的芒果树 热带、亚热带多地区普遍栽培，果实多 基本上分布于世界各地。在几种文化中，它的果实和叶子都是 ri 最终用作婚礼、公共庆典和宗教活动的花卉装饰。

因此字符串被拆分为仅2个字符串，并且下一句的第一个字符被消除。还可以看到一些奇怪的字符，我猜python无法转换连字符。

如果我将正则表达式更改为 [.!?][\s]{1,2}

而其他物种（例如 马芒果，M foetida) 也种植，Mangifera indica ΓÇô 普通芒果或印度芒果Γ Çô是唯一的芒果树 热带、亚热带多地区普遍栽培，果实多 基本上分布于世界各地。在几种文化中，它的果实和叶子是 r 通常用作婚礼、公共庆典和宗教场合的花卉装饰 s

因此，即使是缩写也会被拆分。

Answer 1

你想要的正则表达式是：

[.!?][\s]{1,2}(?=[A-Z])

你想要一个肯定的前瞻断言，这意味着你想要匹配后面跟着大写字母的模式，但不匹配大写字母。

只有第一个匹配的原因是您在第二个句点之后没有空格。