Question

这个问题是我上一个问题的延续：

RegEx to exclude academic title

我希望使用带有字符点（。）的正则表达式将段落字符串拆分为句子数组。接下来的问题是数字。

以下是一个例子：

在2013年。安德烈先生，你好，你的钱是Rp 40.000。

当然正确的输出：

数组（[0] =＆gt;在今年2013年[1] =＆gt;你好安德烈先生，你的钱是 Rp 40.000）

标题问题（先生）已经从我之前的问题中解决了。我试过添加正则数字但仍然无效。

我的工作代码：

$titles_number=array('(^[0-9]*)','(?<!Mr)', '(?<!Mrs)', '(?<!Ms)');
$sentences=preg_split('/('.implode('',$titles_number).')\./',$text);
print_r($sentences);

我可以一击（一个正则表达式摆脱两个问题）吗？告诉我，如果我不能这样做。提前致谢

Answer 1

使用preg_match_all()：

可以更轻松地完成此操作

preg_match_all(
    '/[^\s.][^.]*(?:\.(?:(?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.)|(?=\d))[^.]*)*\./',
    $subject, $result, PREG_PATTERN_ORDER);
print_r($result[0]);

说明：

[^\s.]匹配下一个非空白字符（即跳过句子之间的任何空格）
[^.]*吞噬任何非点字符
\.匹配点IF ...
(?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.) ......这是尊敬的一部分......
(?=\d) ...或数字的一部分

注释：

(?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.)是合法的，因为更改位于顶层。也就是说，它就像几个独立的外观，每个都有固定的长度。这就是为什么我不得不在每个分支中重复\.而不是使用(?<=(?:Prof|Dr|Mr|Mrs|Ms)\.)。
\.(?=\d)似乎足以识别一个数字的一部分。如果您确实需要检查点之前和之后的数字，则可以使用(?=(?<=\d\.)\d)代替。
如果这是比家庭作业更严重的问题，你应该丢弃正则表达式并寻找自然语言处理库。粗俗就是这一切，它非常接近你可以用正则表达式做的极限。

Answer 2

如果您注意到句子末尾的每个点后跟空格/制表符/换行符或字符串末尾，则可以避免数字问题（可能还有其他问题）：

$titles=array('(?<!Mr)', '(?<!Mrs)', '(?<!Ms)');
$sentences=preg_split('/('.implode('',$titles).')\.(?=\s|$)/',$text);
print_r($sentences);

RegEx使用PHP排除数字

2 个答案: