当前面没有字符串时，正则表达式匹配字符

Question

我正在尝试在标点符号之后匹配空格，以便拆分大量文本，但我看到一些常见的边缘情况，包括地点、标题和常见的缩写：

I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you $6. 00 because you bought me a No. 3 burger. -Sgt. Smith

我在 Python 3 中将它与 re.split 函数一起使用我想得到这个：

["I am from New York, N.Y. and I would like to say hello!",
"How are you today?",
"I am well.",
"I owe you $6. 00 because you bought me a No. 3 burger."
"-Sgt. Smith"]

这是我目前的正则表达式：

(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)(?<=[^N]..)(?<=[^o].)

我决定先尝试修复No.，使用最后两个条件。但它依赖于独立匹配N 和o，我认为这会在其他地方出现误报。我不知道如何让它只在句号后面生成字符串No。然后，我将对Sgt. 和我遇到的任何其他“问题”字符串使用类似的方法。

我正在尝试使用类似的东西：

(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)^(?<=^No$)

但是在那之后它没有捕获任何东西。我怎样才能让它排除某些我希望在其中有句点的字符串，而不是捕获它们？

这是我的情况的正则表达式：https://regexr.com/4sgcb

Answer 1

这是我能得到的最接近的正则表达式（尾随空格是我们匹配的那个）：

(?<=(?<!(No|\.\w))[\.\?\!])(?! *\d+ *) 

它也会在Sgt. 之后拆分，原因很简单，即在 Python 中后向断言必须是固定宽度（多么限制！）。

这就是我在vim 中的做法，没有这样的限制（尾随空格是我们匹配的）：

\(\(No\|Sgt\|\.\w\)\@<![?.!]\)\( *\d\+ *\)\@!\zs 

对于 OP 和普通读者，this question and the answers to it 是关于环视的，非常有趣。

Answer 2

您可以考虑一种匹配方法，它可以让您更好地控制要计为单个单词而不是断句信号的实体。

使用类似的模式

\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))

见regex demo

它与我发布的here 非常相似，但它包含一个匹配格式不佳的浮点数的模式，添加了No. 和Sgt. 缩写支持以及更好地处理不以最后一句标点符号结尾的字符串。

Python demo:

import re
p = re.compile(r'\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))')
s = "I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you $6. 00 because you bought me a No. 3 burger. -Sgt. Smith"
for m in p.findall(s):
    print(m)

输出：

I am from New York, N.Y. and I would like to say hello!
How are you today?
I am well.
I owe you $6. 00 because you bought me a No. 3 burger.
-Sgt. Smith

图案详情

• \s* - 匹配 0 个或多个空格（用于修剪结果）
• (?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+ - 出现一个或多个替代项：
  • \d+\.\s*\d+ - 1+ 个数字，.，0+ 个空格，1+ 个数字
  • (?:No|M[rs]|[JD]r|S(?:r|gt))\. - 缩写字符串，如 No.、Mr.、Ms.、Jr.、Dr.、Sr.、Sgt.
  • \.(?!\s+-?[A-Z0-9]) - 匹配一个点，后面没有 1 个或多个空格，然后是可选的 - 和大写字母或数字
  • | - 或
  • [^.!?] - 除.、! 和? 之外的任何字符
• (?:[.?!]|$) - .、! 和 ? 或字符串结尾。

Answer 3

正如我在上面的评论中提到的，如果您无法定义一组固定的边缘情况，那么如果没有误报或漏报，这可能是不可能的。同样，在没有上下文的情况下，您无法区分“-Sgt. Smith”之类的缩写和“Sergeant 通常缩写为 Sgt。这使其更短”之类的句子结尾。

但是，如果您可以定义一组固定的边缘情况，则分多个步骤执行此操作可能更容易且可读性更高。

---

1.确定您的边缘案例

例如，您可以通过检查后续数字来区分“我有 3 号”和“不。我是你父亲”。所以你会用这样的正则表达式来识别边缘情况：No. \d。 （同样，上下文很重要。像“200 够吗？不。200 还不够。”这样的句子仍然会给你一个误报）

2。掩盖你的边缘情况

对于每个边缘情况，使用 100% 不属于原始文本的相应字符串来屏蔽字符串。例如。 “不。” => "======NUMBER======"

3.运行你的算法

现在您已经摆脱了不需要的标点符号，您可以像这样运行一个更简单的正则表达式来识别真正的阳性：[\.\!\?]\s

4.揭露你的边缘情况

将“======NUMBER======”转回“否”。

Answer 4

只使用一个正则表达式会很棘手 - 正如 cmets 中所述，有很多边缘情况。

我自己会通过三个步骤来完成：

1. 用一些特殊字符替换应该保留的空格 (re.sub)
2. 拆分文本 (re.split)
3. 用空格替换特殊字符

例如：

import re

zero_width_space = '\u200B'

s = 'I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you $6. 00 because you bought me a No. 3 burger. -Sgt. Smith'

s = re.sub(r'(?<=\.)\s+(?=[\da-z])|(?<=,)\s+|(?<=Sgt\.)\s+', zero_width_space, s)
s = re.split(r'(?<=[.?!])\s+', s)

from pprint import pprint
pprint([line.replace(zero_width_space, ' ') for line in s])

打印：

['I am from New York, N.Y. and I would like to say hello!',
 'How are you today?',
 'I am well.',
 'I owe you $6. 00 because you bought me a No. 3 burger.',
 '-Sgt. Smith']