Question

我有以下Ruby Regex选择标点符号并排除作为数字一部分的句点：

/\p{L}+|(?!\.\d)[[:punct:]]/

The profit was 5.2 thousand dollars.

=> The profit was thousand dollars.

我有一个正则表达式可以选择缩写（U.S.A），例如：

(?:[a-zA-Z]\.){2,}

The U.S.A. is located in North America。

=> U.S.A.

我想使用这些正则表达式背后的想法，以便我可以选择句子中的所有单词和标点符号，除了任何缩写中的任何句点：

The U.S.A. is located in North America!

=> The USA is located in North America!

关于如何实现这一目标的任何想法？

Answer 1

我认为应该分两步完成，因为你不能将不连续的文本部分与一个匹配的迭代匹配。

使用

s = 'The U.S.A. is located in North America!'
s = s.gsub(/\b(?:\p{L}\.){2,}/) { $~[0].gsub(".", "")  }
puts s.scan(/\p{L}+|(?!\.\d)[[:punct:]]/)

请参阅Ruby demo

第一步是使用gsub模式运行\b(?:\p{L}\.){2,}（我添加了一个单词边界以确保模式只匹配1个字母的块）。在块中，使用文字文本替换从点中去除匹配值。

第二步是在scan内运行你的第一个正则表达式来收集你需要的块。

Answer 2

str = "The U.S.A. have 50.1415 states approx and are located in North America!"
str.gsub(/(?<!\p{L}\p{L})\P{L}*\.[^\p{L}\s]*/, '').squeeze
#⇒ "The USA have states aprox and are located in North America!"

Answer 3

我认为单独使用正则表达式会很困难，我很乐意通过一个有效的解决方案来纠正。

我的解决方案：
首先使用第二个正则表达式解析您不想要的代码（缩写），然后使用第一个正则表达式（选择单词和标点符号）。这将有效地隐藏运行第一个正则表达式时的处理缩写。

我对项目有类似的要求。关键是使用partition方法，遍历正则表达式（在你的情况下为2），并确保你没有使用相同的正则表达式到前面的正则表达式"captured"的字符串循环。

您可以在github：SourceParser中使用此类，并使用它：

parser = SourceParser.new
parser.regexter('abbrs', /(?:[a-zA-Z]\.){2,}/) # return matched as is
parser.regexter(
    'first regex', 
    /\p{L}+|(?!\.\d)[[:punct:]]/, 
    lambda do |token, regexp|
        "(#{token})"
    end
)
parser.parse("The U.S.A. is located in North America")
# => (The) U.S.A. (is) (located) (in) (North) (America)

如何选择带标点符号的单词并从缩写中排除句点？

3 个答案: