在javascript中将字符串拆分为句子

Question

目前我正在开发一个将长列分成短列的应用程序.为此我将整个文本分成单词,但此刻我的正则表达式也将数字拆分.

我这样做是这样的:

str = "This is a long string with some numbers [125.000,55 and 140.000] and an end. This is another sentence.";
sentences = str.replace(/\.+/g,'.|').replace(/\?/g,'?|').replace(/\!/g,'!|').split("|");

结果是:

Array [
    "This is a long string with some numbers [125.",
    "000,55 and 140.",
    "000] and an end.",
    " This is another sentence."
]

期望的结果是:

Array [
    "This is a long string with some numbers [125.000, 140.000] and an end.",
    "This is another sentence"
]

我如何改变我的正则表达式来实现这一目标？我是否需要注意可能遇到的一些问题？或者它是否足以搜索". ","? "并且"! "？

Answer 1

str.replace(/([.?!])\s*(?=[A-Z])/g, "$1|").split("|")

输出:

[ 'This is a long string with some numbers [125.000,55 and 140.000] and an end.',
  'This is another sentence.' ]

分解:

([.?!])=捕获.或?或!

\s*=在前一个标记后面捕获0个或多个空格字符([.?!]).这解释了与英语语法匹配的标点符号后面的空格.

(?=[A-Z])=如果下一个字符在AZ(大写字母A到大写字母Z)的范围内,则前一个标记仅匹配.大多数英语语句以大写字母开头.以前的正则表达都没有考虑到这一点.

替换操作使用:

"$1|"

我们使用了一个"捕获组" ([.?!]),我们捕获其中一个字符,并用$1(匹配)加上替换它|.因此,如果我们捕获,?则替换将是?|.

最后,我们拆分管道|并获得结果.

所以,基本上,我们所说的是:

1)找到标点符号(一个.或?或!)和捕捉他们

2)标点符号可以选择在它们之后包含空格.

3)标点符号后,我希望有一个大写字母.

与之前提供的正则表达式不同,这将与英语语法完全匹配.

从那里:

4)我们通过附加管道替换捕获的标点符号 |

5)我们拆分管道以创建一系列句子.

Answer 2

str.replace(/(\.+|\:|\!|\?)(\"*|\'*|\)*|}*|]*)(\s|\n|\r|\r\n)/gm, "$1$2|").split("|")

RegExp(参见Debuggex):

• (.+ |:|!| \？)=句子不仅可以以".","!"结尾.或"？",但也可以是"......"或":"
• (\" | |' |)*|} |])=句子可以用四元组或括号括起来
• (\ s | \n |\r |\r \n)=一个句子必须是一个空格或行尾
• g =全球
• m =多线

备注:

• 如果使用(？= [AZ]),RegExp将无法在某些语言中正常工作.例如,"Ü","Č"或"Á"将无法识别.

Answer 3

您可以利用下一句以大写字母或数字开头.

.*?(?:\.|!|\?)(?:(?= [A-Z0-9])|$)

Debuggex演示

它拆分了这个文本

This is a long string with some numbers [125.000,55 and 140.000] and an end. This is another sentence. Sencenes beginning with numbers work. 10 people like that.

进入句子:

This is a long string with some numbers [125.000,55 and 140.000] and an end.
This is another sentence.
Sencenes beginning with numbers work.
10 people like that.

的jsfiddle

Answer 4

如果后面没有空格 + 字符字符，请使用前瞻来避免替换点：

sentences = str.replace(/(?=\s*\w)\./g,'.|').replace(/\?/g,'?|').replace(/\!/g,'!|').split("|");

输出：

["This is a long string with some numbers [125.000,55 and 140.000] and an end. This is another sentence."]