句子与正则表达式匹配

Question

我有一个文本分为许多行，没有特定的格式。 所以我决定为每一行line.strip('\\n') 。 然后我想用句末标记将文本分成句子. 考虑：

1. 期间. 接下来是\\s （空格）， \\S （如" ' ）和后面跟[AZ]将分开
2. 不要拆分[0-9]\\.[A-Za-z] ，如1.stackoverflow real time solution 。

我的程序只解决了1 - period（。）的一半，然后是\\ s和[AZ]。 以下是代码：

# -*- 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！ 我想知道哪种是掌握正则表达式的最佳方法。 这似乎令人困惑。

Answer 1

要在字符类中包含单引号，请使用\\来转义它。 正则表达式应该是：

\\.\\s+[AZ"\\']

这就是你真正需要的一切。 您只需要告诉正则表达式匹配什么，您不需要指定您不想匹配的内容。 一切不符合模式的东西都不匹配。

此正则表达式将匹配任何句点，后跟空格后跟大写字母或引号。 由于一个数字后面紧跟一个字母，后面紧跟一个字母不符合这些标准，因此不符合。

正如你所说的那样，这假设你所拥有的正则表达式正在努力分割一个句点，然后是空格，后面是一个大写字母。 但请注意，这意味着I am Sam. Sam I am. I am Sam. Sam I am. 会分裂为I am Sam ， am I am 。 这真的是你想要的吗？ 如果不是，请使用零宽度断言来排除要匹配的部分，但也要保留。 以下是您的选择，按照我认为您最想要的顺序。

1）保留下一句的句号和第一个字母或开头语; 失去空白：

(?<=\\.)\\s+(?=[AZ"\\'])

这将上面的例子分成I am Sam. Sam I am.

2）保留下一句的第一个字母; 失去期间和空白：

\\.\\s+(?=[AZ"\\'])

这将分裂成I am Sam和Sam I am 。 这假定之后有更多的句子，否则句号将与第二句一致，因为它后面没有空格和大写字母或引号。 如果此选项是一个你想要的- 没有时间的句子，那么你可能也想匹配一个时期其次是字符串的结尾，有任选的中间的空白，使最终期限和任何尾随的空白将被删除：

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

注意?: 。 您需要非捕获括号，因为如果您在拆分中有捕获组，则该组捕获的任何内容都会作为结果中的元素添加（例如split('(+)', 'a+b+c'的阵列a + b + c ，而不是仅仅a b c ）。

3）保持一切; 空格与前一句一致：

(?<=\\.\\s+)(?=[AZ"\\'])

这会让你成为I am Sam. Sam I am.

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 。 从这个摘要开始： http ： //www.regular-expressions.info/reference.html然后转到Tutorial页面获取更多高级细节： http ： //www.regular-expressions.info/tutorial.html