regex - 如何从输入中获取句子编号？

Question

似乎很难检测文本中的句子边界。引号如.!?可以用于分隔句子，但不太准确，因为可能存在不明确的单词和引文，例如 U.S.A 或 Prof. 或 Dr. 我正在研究 Tperlregex 库和正则表达式食谱 Jan Goyvaerts但我不知道检测句子的表达式怎么写？

在delphi中使用Tperlregex的相对准确的表达是什么？

谢谢

Answer 1

首先，您可能需要得出自己对“句子”的定义，然后实现该定义。例如，怎么样:

He said: "It's OK!"

是一句话还是两句话？一般性的回答是无关紧要的。决定您是否希望它将其解释为一个或两个句子，然后进行相应操作。

其次，我认为我不会为此使用正则表达式。相反，我会扫描每个字符并尝试检测序列。句点本身可能不足以界定句子，但句点后跟空格或回车符(或字符串结尾)可能可以。这可以立即让您清除 U.S.A(句点后面不跟空格)。

对于像 Prof. 和 Dr. 这样的常见缩写，创建一本字典可能是个好主意 - 也许可以由用户编辑，因为每种语言都有自己的一组常见缩写。

每种语言也有自己的一套标点符号规则，这可能会影响您解释标点符号的方式。例如，英语倾向于在括号内添加句点(像这样)，而波兰语则相反(像这样)。同样的差异也适用于双引号、单引号(有些语言根本不使用它们，有时它们与撇号等无法区分)。您的规则很可能必须特定于语言，至少部分如此。

最后，您可能会近似人类界定句子的方式，但总会有一些情况会导致分析失败。例如，假设您有一本可以识别“Prof.”的字典。作为缩写，你打算做什么

Most people called him Professor Jones, but to me he was simply The Prof.

即使后面还有另一个以大写字母开头的句子，仍然无法帮助您知道句子的结尾，因为它也可能是

Most people called him Professor Jones, but to me he was simply Prof. Bill.