Question

我尝试使用正则表达式计算文本中的句子数。我想出了一个regex1找到所有要点：

([^.!?\s][^.!?]*)

之后我尝试通过以下regex2找到大部分首字母缩略词：

([A-Z]+[a-z]{0,3}\.).

但是我有一些问题：

如果首字母缩写词位于句子的末尾，则可以通过regex2公式找到（例如，自公元前20,000年以来）。这不是故意的，我只想在一个句子中找到首字母缩略词。
如果我们假设，问题1已经解决，我想将两个正则表达式公式合并在一起，以便最终公式只输出实际的句子数。例如，我们可以考虑维基百科的以下文本：

美国国家航空航天局（NASA）是美国联邦   国家政府机构负责民用空间计划   以及航空航天研究。
     总统德怀特·艾森豪威尔成立了国家航空公司   和空间管理局（NASA）于1958年[5]具有明显的平民   鼓励和平应用（而非军事）方向   在空间科学。国家航空航天法案获得通过   1958年7月29日，解散美国宇航局的前身国民党   航空咨询委员会（NACA）。新机构成了   于1958年10月1日开始运作。[6] [7]

从那时起，美国的大多数太空探索工作一直由此领导   美国宇航局，包括阿波罗登月任务，天空实验室空间   站，后来的航天飞机。目前，NASA正在支持   国际空间站正在监督国际空间站的发展   猎户座多功能机组人员，太空发射系统和   商用船员车辆。该机构也负责   发射服务计划（LSP），负责监督发射   无人驾驶NASA发射的操作和倒计时管理。
     美国宇航局的科学研究重点是通过这种方式更好地了解地球   地球观测系统，[8]通过努力推进太阳物理学   科学任务理事会的太阳物理研究计划，[9]   利用先进的机器人探索整个太阳系的物体   航天飞行任务，如New Horizons，[10]和研究   天体物理学的主题，如大爆炸，通过大帝   观察站和相关计划。[11] NASA与之分享数据   各种国家和国际组织，如来自   温室气体观测卫星。

以上文字有9个句子。

Regex1：12场比赛（D.，U。和S.被视为“完整停站”）

Regex2：3匹配（D.，U。和S.）

我现在需要的是一个更好的regex1公式，只能在一个句子中找到首字母缩略词，然后“合并”两个正则表达式以接收所有句子。

如果合并两个公式是不可能的（出于任何合理的原因），那么只考虑问题1，因为目前我的JAVA程序使用两个公式分开：

public void breakIntoSentences()
{   
    //Find all points
    Pattern p = Pattern.compile("([^.!?\\s][^.!?]*)");
    Matcher m = p.matcher(content);

    int allPoints = 0;
    while(m.find())
        allPoints++;

    //Find all acronyms with length 0-4
    p = Pattern.compile("([A-Z]+[a-z]{0,3}\\.)");
    m = p.matcher(content);

    int allAcronyms = 0;
    while(m.find())
        allAcronyms++;

    numberOfSentences = allPoints - allAcronyms;        
}

提前感谢您的帮助

Answer 1

这是一种模式：

.+?(?:(?<![\s.]\p{Lu})[.!?]|$)

Demo

.+?只是为了匹配一个完整的句子。如果您只想要一个计数，则可以将其替换为.
(?<![\s.]\p{Lu})表示前面没有大写字母本身，后面带有空格或句点。这是在[.!?]之前使用它来检查句末。这似乎正确处理缩略语。
$只是为了强制开头的非贪婪.+?匹配，直到文本的结尾，以防万一文本没有＆t以句号结束。

这个正则表达式处理[6][7]作为下一句的一部分。如果这不可接受，您可以在[\d\[\]]*之后添加[.!?]稍微调整一下模式。

Answer 2

看起来你想要的只是在这段时间之前检查没有资本的东西。这很容易做到：

((?:[A-Z]\.|[^\.!?])+)[\.!?]

这使用任何非句末尾符号或大写后跟句点的选项。

多个字符还允许您避免录制三个句子：

像这样......

使用REGEX计算句子数并忽略首字母缩略词

2 个答案: