Question

我是一个正则表达式的菜鸟，试图将段落分成句子。在我的语言中，我们在句子中间使用了相当多的缩写（例如：bl.a。），所以我得出结论，我需要做的是寻找标点，然后是单个标点符号空格，然后是一个以大写字母开头的单词，如：

[sentence1]...anymore. However...[sentence2]

如下一段：

Der er en lang og bevæget forhistorie bag lov om varsling m.v. i forbindelse med afskedigelser af større omfang. Det er ikke en bureaukratisk lovtekst blandt så mange andre.

应该在此输出中结束：

[0] => Der er en lang og bevæget forhistorie bag lov om varsling m.v. i forbindelse med afskedigelser af større omfang.
[1] => Det er ikke en bureaukratisk lovtekst blandt så mange andre.

而不是这个：

[0] => Der er en lang og bevæget forhistorie bag lov om varsling m.v. 
[1] => i forbindelse med afskedigelser af større omfang.
[2] => Det er ikke en bureaukratisk lovtekst blandt så mange andre.

我找到了一个解决方案，其中第一部分采用了积极的lookbehind功能：

$regexp = (?<=[.!?] | [.!?][\'"]);

然后

$sentences = preg_split($regexp, $paragraph, -1, PREG_SPLIT_NO_EMPTY);

这是一个很好的起点，但由于有很多缩写，所以分裂的次数太多了。

我试过这样做：

(?<=[.!?]\s[A-Z] | [.!?][\'"])

以每次出现

为目标

. or ! or ?

后跟空格和大写字母，但这不起作用。

有没有人知道，如果有办法完成我想做的事情？

Answer 1

用于分割句子的Unicode RegEx：(?<=[.?!;])\s+(?=\p{Lu})

在此解释演示：http://regex101.com/r/iR7cC8

Answer 2

搜索这样的模式似乎仍然不可靠但是由于句子可以通过行返回来结束，我会尝试以下

[.\!\?][\s\n\r\t][A-Z]

我认为你实际上并不意味着你的前瞻性吗？（！？在一起，所以使用\ escapes - 告诉正则表达式忽略任何特殊含义）

用正则表达式和PHP将段落拆分成句子

2 个答案: