Question

在网页中，有一个包含以下内容的div -

<div id="test">
    <p> This is first sentence. This is second sentence. This is third sentence. This is 4th sentence. </p>
</div>

现在，如何从上面的HTML片段中获取“这是第二句”的文本？我理解如何到达这个文本所在的div / p，但是如何只提取那个特定的句子？

同样，我如何提取前3个句子？而且，我如何选择最后2个句子？最后，您的Xquery表达式应该适用于任何类型的分隔符 - 如“。” /“，”/“;”等...

Answer 1

分裂点

使用fn:tokenize解构字符串。

fn:tokenize(//p, "[\.,;]")[2]

模式可以是任何有效的正则表达式，您可以轻松满足您的需求。注意正则表达式的特殊字符。

对于前三个句子，请使用fn:position：

tokenize(//p, "[\.,;]")[position() le 3]

对于更一般的分析，您可以使用范围表达式：

tokenize(//p, "[\.,;]")[position() = (2 to 3)]

更好的句子识别

并非所有点都结束了句子。为了更好地检测句子（尽管在所有情况下仍然没有保存），你可以做一些regex-foo：

tokenize(//p, '(?<=[\.,;])\s+(?=\p{Lu})')[2]

这会在所有空格字符（或多个字符，如果它们彼此跟随）之间分开，前面是上面列表中的字符，后跟大写字母。

警告：Lookahead和-behind不包含在XQuery标准中，因此受到每个实现的支持。即使支持它也可能不安全，因为这违反了标准并且可能被删除。我为此使用了BaseX 7.1.1。

Answer 2

现在，如何从上面获得“这是第二句”的文字 HTML片段？

tokenize(/div/p, '\\.')[2]

同样，我如何提取前3个句子？

tokenize(/div/p, '\\.')[position() le 3]

另外，我如何选择最后2个句子？

tokenize(/div/p, '\\.')[position() gt last() -2]

最后，您的Xquery表达式应适用于任何类型的分隔符 - 喜欢 ”。” /“，”/“;”等...

使用tokenize()字符串的第二个参数：'[.,;]'

Answer 3

如何在fn中使用正则表达式：替换和捕获组？

它的优点是通过使用正则表达式而不是手动标记字符串= D

让您感觉更糟糕

let $s := 'This is first sentence. This is second sentence. This is third sentence. This is 4th sentence.'

let $adjust-this-regex-as-needed := '([\w\s]+)\.([\w\s]+)\.([\w\s]+)\.([\w\s]+)\.'
return (
    fn:replace($s, $adjust-this-regex-as-needed , '$1'),     (: first sentence :)
    fn:replace($s, $adjust-this-regex-as-needed , '$2  $3')  (: last two sentences :)
)

（[\ W \ S] +）\。 - ＆GT;表示匹配所有字母和空格，最多为句号

xquery-如何选择文本occ。在第n次出现分隔符之后/如何提取前n个句子/最后n个句子

3 个答案:

分裂点

更好的句子识别