用于提取具有特定缩写的句子的正则表达式答案

【问题标题】：Regex for extracting sentences with specific abbreviations用于提取具有特定缩写的句子的正则表达式
【发布时间】：2012-01-03 04:58:19
【问题描述】：

我似乎无法理解如何做到这一点。我正在尝试提出一个正则表达式（如果它有区别，则适用于.NET），它可以从包含句点缩写的文本块中提取一个句子。基本上，我想从一个特定的起始词开始，不要停留在定义的缩写列表上，而是在结束时结束。

几个例子可能是：

Blah blah blah. Died of disease at Annapolis Junction, Md., February 2, 1862. Blah blah blah.

将捕获“1862 年 2 月 2 日在马里兰州安纳波利斯交界处死于疾病”。或

Blah blah blah. Died in General Hospital, Washington, D. C., September 17, 1862, of wounds received in action at Bull Run, Va., August 30, 1862. Blah Blah Blah.

将捕捉“1862 年 9 月 17 日死于华盛顿特区综合医院，死于 1862 年 8 月 30 日在弗吉尼亚州布尔伦的行动中受伤。”

使用简单的表达方式

Died [^\.]*\.

当然只匹配第一个时期：“死于疾病，在马里兰州安纳波利斯交界处。”

需要传递的列表缩写将来自受控词汇表，因此正则表达式不需要考虑所有可能的缩写，只需考虑列表中的缩写即可。即：医学博士| D。 C.|弗吉尼亚州。|密歇根州。

我知道以下内容不起作用，但它应该大致了解我要完成的工作：

Died [^(Md\.|D\. C\.|Va\.|Mich\.)]*\.

非常感谢任何帮助！

-马特

【问题讨论】：

示例是否总是如您所见，所需的句子在中间？如果是这样，你可以去掉外面的句子。
句子可以出现在文本块中的任何位置，并且可以以任意数量的特定单词开头。

标签： .net regex

【解决方案1】：

我认为您不能使用 Regex 跳过您不想匹配的内容列表。你最好寻找不同的模式。

这适用于您在此处显示的两个示例，但我不确定您的所有数据是否都像这样：

Died.*[0-9]{4}\.

这基本上匹配“死亡”，然后是最多四个数字（一个日期）后跟一个句点的所有内容。

【讨论】：

【解决方案2】：

改编自here (Regex to match . (periods marking end of sentences) but not Mr. (as in Mr. Hopkins))

private IEnumerable<string> GetSentences(string longString)
{
    var pattern = @"(?<!Md|D_C|Va|Mich|Md)\.";

    // Filter D. C. -> Replace with D_C.
    longString = longString.Replace("D. C.", "D_C.");
    var regex = new Regex(pattern);
    var matches = regex.Split(longString);

    var sentences = new List<string>(matches.Length);

    foreach (var match in matches)
    {
        var sentence = match.Replace("D_C.", "D. C.").Trim();
        if(string.IsNullOrEmpty(sentence) == false)
        {
            sentences.Add(sentence);
        }
    }

    return sentences;
}

D. C. 的解决方法是因为模式与此字符串不匹配，因此替换为D_C.。

示例 1

输入
Blah blah blah. Died of disease at Annapolis Junction, Md., February 2, 1862. Blah blah blah.

句子

Blah blah blah
Died of disease at Annapolis Junction, Md., February 2, 1862
Blah blah blah

示例 2

输入
Blah blah blah. Died in General Hospital, Washington, D. C., September 17, 1862, of wounds received in action at Bull Run, Va., August 30, 1862. Blah Blah Blah.

句子

Blah blah blah
Died in General Hospital, Washington, D. C., September 17, 1862, of wounds received in action at Bull Run, Va., August 30, 1862
Blah blah blah

【讨论】：