Question

我正在学习正则表达式并试图将文本拆分成句子。

这是我的文字

＆＃34;先生。史密斯以150万美元的价格买下了cheapsite.com，即他为此付出了很多。他介意吗？ Adam Jones Jr.认为他没有。在任何情况下，这都不是真的......好吧，概率为.9，它不是。＆＃34;

我的正则表达式和代码

result = re.match(r"(.*\.{1}\s{1})[A-Z].*",line)

result.group（1）给了我

＆＃34;先生。史密斯以150万美元的价格买下了cheapsite.com，即他为此付出了很多。他介意吗？ Adam Jones Jr.认为他没有。无论如何，这不是真的......＆＃34;

我希望它能给我一个句子，直到第一次出现＆＃34;。＃34;。我知道这是一场贪婪的比赛，但无法弄清楚如何实现这一目标以及寻求帮助。

注意：我发现许多正则表达式在线将文本分成句子，但我想自己做。感谢!!!

Answer 1

使用以下RegEx：

.*?\.(?= [A-Z]|$)

.*?会选择可选数据，但它是懒惰的（它会选择第一个.）

(?=)是肯定前瞻。它将检查数据是否存在，但不会捕获它，因此您不会得到My first sentence. M，就像下面的RegEx一样。它将检查空格后跟大写字母（[A-Z]）或（|）字符串结尾（$）

最安全的正则表达式（处理`Mr.`和`Mrs.`）

要阻止Mr.弄乱RegEx，您可以向RegEx添加负面反对：

.*?(?<!Mr|Mrs)\.(?= [A-Z]|$)

Negative Lookbehind将向后看以检查点之前是否有Mr或Mrs。如果有，则匹配将失败（这不会是句子的结尾）。

您可以使用.*?\. [A-Z]，但这不会捕获字符串中的最后一句话。它还将匹配句子后面的空格和字母，即My first sentence. M

你的RegEx的主要问题是第一个.*不是懒惰的，应该是.*?，但捕获组也有点奇怪。

最安全的正则表达式（处理Mr.和Mrs.）