python - 与正则表达式匹配的句子

Question

我有一个分成多行的文本，没有特定的格式。所以我决定为每一行 line.strip('\n')。然后我想使用句子结束标记 将文本拆分成句子。 考虑:

1. 句点 . 后跟 \s(空格)、\S(如 " ') 后跟 [A-Z] 会拆分
2. 不要拆分[0-9]\.[A-Za-z]，如1.stackoverflow实时解决方案。

我的程序只求解 1 的一半 - 句点 (.) 后跟\s 和 [A-Z]。下面是代码:

# -*- coding: utf-8 -*-
import re, sys

source = open(sys.argv[1], 'rb')
dest = open(sys.argv[2], 'wb')
sent = []
for line in source:
    line1 = line.strip('\n')
    k = re.sub(r'\.\s+([A-Z“])'.decode('utf8'), '.\n\g<1>', line1)
    sent.append(k)

for line in sent:
    dest.write(''.join(line))

请问!我想知道掌握正则表达式的最佳方法是什么。好像有点乱。

Answer 1

要在字符类中包含单引号，请使用 \ 将其转义。正则表达式应该是:

\.\s+[A-Z"\']

这就是您真正需要的。你只需要告诉正则表达式匹配什么，你不需要指定你不想匹配的东西。不符合模式的一切都不会匹配。

此正则表达式将匹配任何后跟空格和大写字母或引号的句点。由于紧接数字和紧接字母的句点不符合这些条件，因此不会匹配。

正如您所说，这是假设您拥有的正则表达式正在努力拆分一个句点，然后是空格，然后是大写字母。但是请注意，这意味着 I am Sam. Sam I am. 将拆分为 I am Sam 和 am I am 。那真的是你想要的吗？如果不是，请使用零宽度断言来排除您想要匹配但也保留的部分。以下是您的选择，按照我认为您最可能想要的顺序排列。

1) 保留下一句的句号和首字母或开头引号；丢失空格:

(?<=\.)\s+(?=[A-Z"\'])

这会将上面的示例拆分为 I am Sam. 和 Sam I am.

2) 保留下一句的第一个字母；去掉句号和空格:

\.\s+(?=[A-Z"\'])

这将分成 I am Sam 和 Sam I am 。这假设后面还有更多的句子，否则句点将留在第二句，因为它后面没有空格和大写字母或引号。如果此选项是您想要的 - 没有句点的句子，那么您可能还想匹配一个句点后跟字符串的结尾，中间有可选的空格，这样最后的句点和任何尾随空格都将被删除:

\.(?:\s+(?=[A-Z"\'])|\s*$)

注意 ?: 。您需要非捕捉括号，因为如果您在拆分中有捕获组，则该组捕获的任何内容均以结果中的元素添加(例如split('(+)', 'a+b+c' .

3) 保留一切；空格与前面的句子一起出现:

a

这会给你 + b 和 +

关于你问题的最后一部分，我见过的正则表达式语法的最佳资源是 http://www.regular-expressions.info 。从此摘要开始:http://www.regular-expressions.info/reference.html 然后转到教程页面以获取更高级的详细信息:http://www.regular-expressions.info/tutorial.html