正则表达式使用 PHP 排除数字

Question

这个问题是我之前问题的延续：

RegEx to exclude academic title

我想使用带有字符点 (.) 的正则表达式将段落字符串拆分为句子数组。下一个问题是关于数字的。

这是一个例子：

2013 年。您好，安德烈先生，您的钱是 40.000 印尼盾。

当然是正确的输出：

Array ( [0] => 今年 2013 [1] => 你好 Andre 先生，你的钱是 40.000 印尼盾）

标题问题（先生）已经从我之前的问题中解决了。我试过添加数字的正则表达式，但仍然不起作用。

我没用的代码：

$titles_number=array('(^[0-9]*)','(?<!Mr)', '(?<!Mrs)', '(?<!Ms)');
$sentences=preg_split('/('.implode('',$titles_number).')\./',$text);
print_r($sentences);

我可以一击完成吗（一个正则表达式可以解决两个问题）？如果我做不到，请告诉我。 提前致谢

Answer 1

使用preg_match_all() 会更容易实现：

preg_match_all(
    '/[^\s.][^.]*(?:\.(?:(?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.)|(?=\d))[^.]*)*\./',
    $subject, $result, PREG_PATTERN_ORDER);
print_r($result[0]);

解释：

• [^\s.] 匹配下一个非空白字符（即跳过句子之间的任何空白）
• [^.]* 吞噬所有非点字符
• \. 匹配一个点 IF...
• (?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.) ...这是敬语的一部分...
• (?=\d) ...或数字的一部分

注释：

1. (?<=Prof\.|Dr\.|Mr\.|Mrs\.|Ms\.) 是合法的，因为交替位于顶层。也就是说，它就像几个离散的后视，每个都有固定的长度。这就是为什么我不得不在每个分支中重复 \. 而不是使用 (?<=(?:Prof|Dr|Mr|Mrs|Ms)\.)。

2. \.(?=\d) 似乎足以识别作为数字一部分的点。如果确实需要检查点前后的数字，可以使用(?=(?<=\d\.)\d)。

3. 如果这是针对比作业问题更严重的问题，您应该放弃正则表达式并寻找自然语言处理库。尽管这一切都很粗糙，但它非常接近正则表达式所能做的极限。

Answer 2

如果您注意到句子末尾的每个点后跟空格/制表符/换行符或字符串末尾，则可以避免数字问题（可能还有其他问题）：

$titles=array('(?<!Mr)', '(?<!Mrs)', '(?<!Ms)');
$sentences=preg_split('/('.implode('',$titles).')\.(?=\s|$)/',$text);
print_r($sentences);