Question

我试图将包含多个句子的字符串拆分成单个句子的字符串数组。

这是我到目前为止所拥有的，

String input = "Hello World. " 
             + "Today in the U.S.A., it is a nice day! "
             + "Hurrah!"
             + "Here it comes... "
             + "Party time!";
String array[] = input.split("(?<=[.?!])\\s+(?=[\\D\\d])");

这段代码工作得非常好。我明白了，

Hello World.
Today in the U.S.A., it is a nice day!
Hurrah!
Here it comes...
Party time!

我使用lookbehind功能查看结束标点符号的句子是否在某个或white space(s)之前。如果是这样，我们分手了。

但是这个正则表达式并没有涵盖一些例外情况。例如， The U.S. is a great country被错误地分为The U.S.和is a great country。

关于我如何解决这个问题的任何想法？

而且，我在这里错过任何边缘案例吗？

Answer 1

如果您不必使用正则表达式，则可以使用Java内置的BreakIterator。

以下代码显示了解析句子的示例，但是BreakIterator支持其他形式的解析（word，line等）。如果您处理不同的语言，也可以选择传入不同的语言环境。此示例使用默认语言环境。

String input = "Hello World. " 
    + "Today in the U.S.A., it is a nice day! "
    + "Hurrah!"
    + "The U.S. is a great country. "
    + "Here it comes... "
    + "Party time!";
BreakIterator iterator = BreakIterator.getSentenceInstance();
iterator.setText(input);
int start = iterator.first();
for (int end = iterator.next(); end != BreakIterator.DONE; start = end, end = iterator.next()) {
    System.out.println(input.substring(start, end));
}

这导致以下输出：

Hello World. 
Today in the U.S.A., it is a nice day! 
Hurrah!
The U.S. is a great country. 
Here it comes... 
Party time!

将段落拆分为单个句子。我在这里覆盖了所有的基地吗？

1 个答案: