python - 使用正则表达式将文本拆分为句子

Question

我正在学习正则表达式并尝试将文本拆分为句子。

这是我的文字

“史密斯先生以 150 万美元的价格购买了 Cheapsite.com，也就是说，他为此付出了很多钱。他介意吗？小亚当·琼斯 (Adam Jones Jr.) 认为他不介意。无论如何，这不是真的。” ...好吧，事实并非如此的概率为 0.9。”

还有我的正则表达式和代码

result = re.match(r"(.*\.{1}\s{1})[A-Z].*",line)

result.group(1) 给了我

“史密斯先生以 150 万美元的价格购买了 Cheapsite.com，也就是说，他为此付出了很多钱。他介意吗？小亚当·琼斯 (Adam Jones Jr.) 认为他不介意。无论如何，这不是真的。” ...”

我希望它只给我一个句子，直到第一次出现“.”。我知道这是一个贪婪的匹配，但无法弄清楚如何实现这一目标，因此寻求帮助。

注意:我在网上发现了很多将文本拆分成句子的正则表达式，但我想自己做。谢谢!!!

Answer 1

使用以下正则表达式:

.*?\.(?= [A-Z]|$)

.*? 将选择可选数据，但它是惰性的(它将选择第一个 .)

(?=) 是一个正向预测。它将检查数据是否存在，但不会捕获数据，因此您不会以 My 第一句话结束。 M，如下面的正则表达式。它将检查空格后跟大写字母 ([A-Z])，或 (|) 字符串末尾 ($) )

Live Demo on Regex101

<小时/>

最安全的正则表达式(处理 Mr. 和 Mrs.)

要阻止 Mr. 弄乱 RegEx，您可以向 RegEx 添加Negative Lookbehind:

.*?(?<!Mr|Mrs)\.(?= [A-Z]|$)

Negative Lookbehind 将向后查找以检查点之前是否有 Mr 或 Mrs。如果有，则匹配失败(这不是一句话的结尾)。

Live Demo on Regex101

<小时/>

您可以使用.*?\. [A-Z]，但是这不会捕获字符串中的最后一句话。它还将匹配句子后面的空格和字母，即 我的第一句话。 M

正则表达式的主要问题是第一个 .* 不是懒惰的，它应该是 .*?，但是捕获组也有点也很奇怪。