javascript - 如何使用 Javascript 正则表达式检测没有评论和 Markdown 的句子？

Question

问题

我有一段文字。它可以包含从 ASCII 32(空格)到 ASCII 126(波浪号)的所有字符，包括 ASCII 9(水平制表符)。

文本可能包含句子。每个句子以点、问号或感叹号结尾，紧跟空格。

文本可能包含基本的 Markdown 样式，即:粗体文本( ** ，也称为 __ )，斜体文本( * ，也称为 _ )和删除线( ~~ )。 Markdown 可能出现在句子内部(例如 **this** is a sentence. )或句子外部(例如 **this is a sentence!** )。 Markdown可能不会出现跨句，也就是可能不会这样的情况:**sentence. sente** nce. . Markdown 可能包含不止一句话，即可能这样的情况:**sentence. sentence.** .

它还可以包含两个字符序列:<!--和 --> .这些序列之间的所有内容都被视为注释(就像在 HTML 中一样)。注释可以出现在文本的任何位置，但不能包含换行符(我希望在 Linux 上它只是 ASCII 10)。

我想检测 Javascript 中的所有句子，并为每个句子在评论中将其长度放在该句子之后，如下所示:sentence.<!-- 9 --> . 主要是，我不关心它们的长度是否包括 Markdown 标签的长度，但如果不包括就好了。

到目前为止我做了什么？

到目前为止，在这个 answer 的帮助下，我准备了以下用于检测句子的正则表达式。它最符合我的需要——除了它包含评论。

const basicSentence = /(?:^|\n| )(?:[^.!?]|[.!?][^ *_~\n])+[.!?]/gi;

我还准备了以下用于检测评论的正则表达式。它也按预期工作，至少在我自己的测试中是这样。

const comment = /<!--.*?-->/gi;

例子

为了更好地了解我想要实现的目标，让我们举个例子。比如说，我有以下一段文字:

foo0 
b<!-- comment -->ar.
foo1 bar?
<!-- comment -->

foo2bar!

(最后还有一个换行符，但我不知道如何在 Stackoverflow markdown 中添加一个空行。)

预期的结果是:

foo0 
b<!-- comment -->ar.<!-- 10 -->
foo1 bar?<!-- 9 -->
<!-- comment -->

foo2bar!<!-- 12 -->

(这一次，末尾也没有没有换行符。)

---

更新:抱歉，我已经更正了示例中的预期结果。

Answer 1

将回调传递给 .replace用空字符串替换所有注释，然后返回结果 trim 匹配的长度:

const input = `foo0 
b<!-- comment -->ar.
foo1 bar?
<!-- comment -->

foo2bar!
`;
const output = input.replace(
  /(?:^|\n| )(?:[^.!?]|[.!?][^ *_~\n])+[.!?]/g,
  (match) => {
    const matchWithoutComments = match.replace(/<!--.*?-->/g, '');
    return `${match}<!-- ${matchWithoutComments.length} -->`;
  }
);
console.log(output);

当然，如果您愿意，您也可以使用类似的模式将 markdown 符号替换为内部文本内容:

.replace(/([*_]{1,2}|~~)((.|\n)*?)\1/g, '$2')

(由于嵌套和可能不平衡的标签，正则表达式不太适合使用，您可能必须重复该行，直到找不到进一步的替换)

此外，根据评论，您当前的正则表达式期望每个句子都以 . 结尾, ! , 或 ? .评论的!在<!--被视为(短)句的结尾。一种选择是在正则表达式的最后查找空格(空格或换行符)或输入的结尾:

const input = `foo0 
b<!-- comment -->ar.
foo1 bar?
<!-- comment -->

foo2bar!
<!-- comment -->`;
const output = input.replace(
  /(?:^|\n| )(?:[^.!?]|[.!?][^ *_~\n])+[.!?](?=\s|$|[*_~])/g,
  (match) => {
    const matchWithoutComments = match.replace(/<!--.*?-->/g, '');
    return `${match}<!-- ${matchWithoutComments.length} -->`;
  }
);
console.log(output);

https://regex101.com/r/RaTIOi/1