改进我的正则表达式以包含包含小数和百分号的数字

Question

我有以下正则表达式，它将捕获前 N 个单词并在下一个句号、感叹号或问号处结束。我需要获取单词数量不同但我想要完整句子的文本块。

regex = (?:\w+[.?!]?\s+){10}(?:\w+,?\s+)*?\w+[.?!]

它适用于以下文本：

仅从虾壳中提取稻草和壳聚糖 占 2、4、6、8 和 10% 发现提取物秸秆 8% 是 对抑制藻类 Microcystis spp 的生长非常有效。 细胞数量和叶绿素 a 的量在过程中减少 治疗。两个值都连续下降，直到试验结束。

https://regex101.com/r/ardIQ7/5

但它不适用于以下文本：

仅从虾壳中提取的稻草和壳聚糖就占了 对于 2、4、6、8 和 10% 的人发现，8.2% 的提取物秸秆高度 有效抑制藻类微囊藻属的生长。这 细胞数量和叶绿素 a 的量在 治疗。两个值都连续下降，直到试验结束。

这是因为数字 (8.2%) 带有小数和 %。

我一直在试图弄清楚如何捕捉这些物品，但需要一些帮助来为我指明正确的方向。我不只是想捕捉第一句话。我想捕获 N 个可能包含多个句子的单词并返回完整的句子。

Answer 1

r = /
    (?:           # begin a non-capture group
      (?:           # begin a non-capture group
        \p{Alpha}+  # match one or more letters
      |           # or
        \-?       # optionally match a minus sign
        (?:       # begin non-capture group
          \d+     # match one or more digits
        |         # or
          \d+     # match one or more digits
          \.      # match a decimal point
          \d+     # match one or more digits
        )         # end non-capture group
        %?        # optionally match a percentage character
      )           # end non-capture group
      [,;:.!?]?   # optionally ('?' following ']') match a punctuation char
      [ ]+        # match one or more spaces      
    )             # end non-capture group
    {9,}?         # execute the preceding non-capture group at least 14 times, lazily ('?')
    (?:           # begin a non-capture group
      \p{Alpha}+  # match one or more letters
      |           # or
      \-?         # optionally match a minus sign
        (?:       # begin non-capture group
          \d+     # match one or more digits
        |         # or
          \d+     # match one or more digits
          \.      # match a decimal point
          \d+     # match one or more digits
        )         # end non-capture group
      %?          # optionally match a percentage character
    )             # end non-capture group  
    [.!?]         # match one of the three punctuation characters
    (?!\S)        # negative look-ahead: do not match a non-whitespace char
    /x            # free-spacing regex definition mode

让text 等于您要检查的段落（“Therapy extract straw...end of the trial.”）

然后

text[r]
  #=> "Therapy extract straw and chitosan from...the growth of algae Microcystis spp."

我们可以如下简化正则表达式的构造（并避免重复位）。

def construct_regex(min_nbr_words)
  common_bits = /(?:\p{Alpha}+|\-?(?:\d+|\d+\.\d+)%?)/
  /(?:#{common_bits}[,;:.!?]? +){#{min_nbr_words},}?#{common_bits}[.!?](?!\S)/
end

r = construct_regex(10)
  #=> /(?:(?-mix:\p{Alpha}+|\-?(?:\d+|\d+\.\d+)%?)[,;:.!?]? +){10,}?(?-mix:\p{Alpha}+|\-?(?:\d+|\d+\.\d+)%?)[.!?](?!\S)/

如果允许匹配诸如"ab2.3e%" 或"2.3.2%" 之类的无意义单词，则可以简化此正则表达式。按照目前的定义，正则表达式不会匹配这些词。

Answer 2

试试这个，(?:\S+[,.?!]?\s+){1,200}[\s\S]*?(\. |!|\?)

这将匹配 N 个字符。

如果第 N 个字符没有结束一个句子，那么它将匹配到前一个句子。 N 应该被称为{1, N}

Regex