正则表达式构造从文本Python中获取句子

Question

句子将是一系列字符：

1. 以字符！？（但不包括）结尾。或者文件的结尾
2. 排除两端的空白，以及
3. 不是空的

我有一个包含以下文本的文件：

this is the\nfirst sentence. Isn't\nit? Yes ! !! This \n\nlast bit :) is also a sentence, but \nwithout a terminator other than the end of the file\n

根据上述定义，其中有四个“句子”：

• 第一句：this is the\nfirst sentence
• 第二句：Isn't\nit
• 第三句：Yes
• 第四句：This \n\nlast bit :) is also a sentence, but \nwithout a terminator other than the end of the file

请注意：

• 这些句子不包括他们的终结符。你知道吗
• 最后一句话不是以字符结尾，而是以文件结尾结束。你知道吗
• 句子可以跨越文件的多行。你知道吗

这就是我目前拥有的(.*\n+)，我不知道如何改进它。你知道吗

请我需要你的帮助，一个正则表达式，解构成上面的文字，并返回一个列表。事先感谢你的帮助。你知道吗

Answer 1

下面的内容不是每个人都适用的，但它适用于您的特定输入。您可以进一步调整此表达式：

([^!?.]+)[!?.\s]*(?![!?.])

参见regex demo。你知道吗

详细信息：

• ([^!?.]+)-捕获组1匹配除!、?、.以外的1个或多个字符
• [!?.\s]*-0或更多!，?，.，空格
• (?![!?.])-后面不跟!、?或.。你知道吗

在Python中，您需要将它与re.findall一起使用，后者只获取捕获组捕获的子字符串：

import re
rx = r"([^!?.]+)[!?.\s]*(?![!?.])"
s = "this is the\nfirst sentence. Isn't\nit? Yes ! !! This \n\nlast bit :) is also a sentence, but \nwithout a terminator other than the end of the file\n"
sents = re.findall(rx, s)
print(sents)
# => ['this is the\nfirst sentence', 
      "Isn't\nit", 
      'Yes ', 
      'This \n\nlast bit :) is also a sentence, but \nwithout a terminator other than the end of the file\n'
     ]

见Python demo

Answer 2

试试这个：

re.split('(\!\s\!+)|\.|\?',s)
['this is the\nfirst sentence', " Isn't\nit", ' Yes ', ' This \n\nlast bit :) is also a sentence, but \nwithout a terminator other than the end of the file\n']