使用REGEX和忽略缩略语计算句子数

Question

我试着用正则表达式来计算文本中的句子数。我想出了一个regex1，找出了所有要点：

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

在此之后，我试图通过以下regex2找到大多数缩略语：

([A-Z]+[a-z]{0,3}\.).

然而，我有几个问题：

1. 如果首字母缩略词位于句子的末尾，就可以找到(例如，自公元前20,000年以来)。用regex2公式。这不是故意的，我只想在句子中找到缩略词。
2. 如果我们假设problem1已经解决了，我想把这两个正则表达式合并在一起，这样最后的公式只能输出句子的实数。例如，我们可以考虑维基百科的下列文本：

美国国家航空航天局(NASA)是负责民用空间计划以及航空和航天研究的美国政府机构。 德怀特·D·艾森豪威尔总统于19585成立了美国国家航空航天局(美国宇航局)，其明确的民用(而非军事)方向鼓励了空间科学中的和平应用。1958年7月29日通过了“国家航空和空间法”，推翻了美国航天局的前身--国家航空咨询委员会(NACA)。新机构于1958.6年月一日开始运作。 从那时起，美国大部分的太空探索工作都是由美国宇航局领导的，包括阿波罗登月任务、太空实验室空间站以及后来的航天飞机。目前，美国宇航局正在支持国际空间站，并正在监督猎户座多用途机组人员飞行器、空间发射系统和商用机组人员飞行器的开发。该机构还负责发射服务计划(LSP)，该计划为美国宇航局无人发射提供发射操作和倒计时管理。 美国航天局的科学重点是通过地球观测系统更好地了解地球，8通过科学任务管理局的太阳物理学研究方案推进太阳物理学，9在整个太阳系中探索具有先进机器人航天器任务的天体，如“新地平线”，10并通过“大爆炸”等天体物理学专题和相关方案进行研究。11美国航天局与各种国家和国际组织共享数据，例如温室气体观测卫星的数据。

以上课文共9句。

Regex1: 12场比赛(D.，U.和S.被认为是“全场”)

Regex2: 3场比赛(D、U、S.)

我现在需要的是一个更好的regex1公式，只在一个句子中找到缩略词，然后“合并”两个正则表达式来接收所有的句子。

如果合并这两个公式是不可能的(出于任何合理的原因)，那么只考虑问题1，因为目前我的JAVA程序使用了这两个公式：

public void breakIntoSentences()
{   
    //Find all points
    Pattern p = Pattern.compile("([^.!?\\s][^.!?]*)");
    Matcher m = p.matcher(content);

    int allPoints = 0;
    while(m.find())
        allPoints++;

    //Find all acronyms with length 0-4
    p = Pattern.compile("([A-Z]+[a-z]{0,3}\\.)");
    m = p.matcher(content);

    int allAcronyms = 0;
    while(m.find())
        allAcronyms++;

    numberOfSentences = allPoints - allAcronyms;        
}

提前感谢您的帮助

Answer 1

下面是一个模式：

.+?(?:(?<![\s.]\p{Lu})[.!?]|$)

演示

• .+?来这里只是为了匹配一个完整的句子。如果您只想要一个计数，可以用.替换它。
• (?<![\s.]\p{Lu})的意思是在大写字母本身之前没有空格或句点。这是在[.!?]之前使用的，它检查句子的结尾。这似乎处理好了首字母缩略词。
• $只是在开始时强制非贪婪的.+?匹配，直到文本的末尾，以防文本没有以句点结束。

这个正则表达式将[6][7]作为下一句的一部分来处理。如果这是不可接受的，您可以通过在[\d\[\]]*后面添加[.!?]来稍微修改模式。

Answer 2

看上去你想要的只是在这段时期之前没有资本的东西。这很容易做到：

((?:[A-Z]\.|[^\.!?])+)[\.!?]

这使用任何非句子结尾符号或大写后面的句号的选项。

多个字符还允许您避免记录以下三句话：

就像这样..。