将文本拆分为句子

Posted 2023-02-24

【中文标题】将文本拆分为句子

【英文标题】：Split a text into sentences

【发布时间】：2013-04-28 22:48:57

【问题描述】：

如何将文本拆分成句子数组？

示例文本：

给我炒一只海狸。炒我一只海狸！炒我一只海狸？ 炒我海狸没有。 4？！给我炸很多海狸...结束

应该输出：

0 => Fry me a Beaver.
1 => Fry me a Beaver!
2 => Fry me a Beaver?
3 => Fry me Beaver no. 4?!
4 => Fry me many Beavers...
5 => End

我尝试了一些通过搜索在 SO 上找到的解决方案，但都失败了，尤其是在第 4 句。

/(?<=[!?.])./

/\.|\?|!/

/((?<=[a-z0-9)][.?!])|(?<=[a-z0-9][.?!]\"))(\s|\r\n)(?=\"?[A-Z])/

/(?<=[.!?]|[.!?][\'"])\s+/    // <- closest one

【问题讨论】：

第 4 句不遵循标准语法。您需要一类Terminators - 标记句子结尾的标记。如果您使用其中一个终止符作为常规符号，那么它要么不是终止符，要么是您误写了句子。简而言之，你不能一边吃蛋糕一边吃。

我一直在做蛋糕吃：P 正则表达式可以像 2 个字符一样向前看，如果第 2 个字符不是大写 A-Z，则表示之前的标点符号无效

听起来你已经知道需要做什么了。

但是我如何将它放入正则表达式？

@thelolcat 你最好用你自己的解析器..一个单一的正则表达式是不行的！你必须考虑包含Mr.thelolcat、no.1的句子

【参考方案1】：

既然你想“拆分”句子，你为什么要尝试匹配它们？

对于这种情况，让我们使用preg_split()。

代码：

$str = 'Fry me a Beaver. Fry me a Beaver! Fry me a Beaver? Fry me Beaver no. 4?! Fry me many Beavers... End';
$sentences = preg_split('/(?<=[.?!])\s+(?=[a-z])/i', $str);
print_r($sentences);

输出：

Array
(
    [0] => Fry me a Beaver.
    [1] => Fry me a Beaver!
    [2] => Fry me a Beaver?
    [3] => Fry me Beaver no. 4?!
    [4] => Fry me many Beavers...
    [5] => End
)

说明：

简单地说，我们按 分组 空间 \s+ 进行分割并做两件事：

(?正面看断言后面，基本上我们搜索空格后面是否有点或问号或感叹号。

(?=[az]) 正向前瞻断言，搜索空格后是否有字母，这是no. 4 问题的一种解决方法。 p>

【讨论】：

只是一个问题：\s 不应该是 \s+ 吗？我的意思是忽略组合在一起的多个空间

谢谢！将它添加到我的助手库 - github.com/Cosmologist/Gears/blob/master/src/Gears/StringType/…

@Ryan 快速(?<!\.\.\.)(?<=[.?!]|\.\))\s+(?=[a-z])。看看它是否适合您的需求。

@HamZa Holy Smokes，你太棒了！非常感谢！！

根据我从你那里学到的知识，我能够对其进行编辑以处理我遇到的更多极端情况：regex101.com/r/e4NYyd/4 很酷的东西。