正则表达式匹配前面没有字符串的字符
Regex match characters when not preceded by a string
我正在尝试匹配标点符号后的空格，以便我可以拆分大量文本，但我看到一些常见的边缘情况，包括地点、标题和常见缩写：
I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith
我将它与 Python 中的 re.split 函数一起使用 3 我想得到这个：
["I am from New York, N.Y. and I would like to say hello!",
"How are you today?",
"I am well.",
"I owe you . 00 because you bought me a No. 3 burger."
"-Sgt. Smith"]
这是我目前的正则表达式：
(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)(?<=[^N]..)(?<=[^o].)
我决定首先尝试修复 No.，最后两个条件。但它依赖于独立匹配 N 和 o，我认为这会在其他地方出现误报。我无法弄清楚如何让它只制作句点后面的字符串 No 。然后，我将对 Sgt. 和我遇到的任何其他 "problem" 字符串使用类似的方法。
我正在尝试使用类似的东西：
(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)^(?<=^No$)
但在那之后它没有捕捉到任何东西。我怎样才能让它排除某些我希望其中有句点的字符串，而不是捕获它们？
这是我的情况的正则表达式：https://regexr.com/4sgcb
只使用一个正则表达式会很棘手 - 正如评论中所述，有很多边缘情况。
我自己会分三步完成：
- 将应该保留的 space 替换为一些特殊字符 (
re.sub)
- 拆分文本 (
re.split)
- 将特殊字符替换为space
例如：
import re
zero_width_space = '\u200B'
s = 'I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith'
s = re.sub(r'(?<=\.)\s+(?=[\da-z])|(?<=,)\s+|(?<=Sgt\.)\s+', zero_width_space, s)
s = re.split(r'(?<=[.?!])\s+', s)
from pprint import pprint
pprint([line.replace(zero_width_space, ' ') for line in s])
打印：
['I am from New York, N.Y. and I would like to say hello!',
'How are you today?',
'I am well.',
'I owe you . 00 because you bought me a No. 3 burger.',
'-Sgt. Smith']
这是我能得到的最接近的正则表达式（尾随 space 是我们匹配的那个）：
(?<=(?<!(No|\.\w))[\.\?\!])(?! *\d+ *)
它也会在 Sgt. 之后拆分，原因很简单，即后向断言必须在 Python 中固定宽度（限制！）。
这就是我在 vim 中的做法，它没有这样的限制（尾随 space 是我们匹配的那个）：
\(\(No\|Sgt\|\.\w\)\@<![?.!]\)\( *\d\+ *\)\@!\zs
对于 OP 以及休闲 reader， 都是环顾四周，非常有趣。
您可以考虑一种匹配方法，它可以让您更好地控制要计为单个词而不是断句信号的实体。
使用类似
的模式
\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))
它与我发布的内容非常相似 ，但它包含一个匹配格式不正确的浮点数的模式，添加了 No. 和 Sgt. 缩写支持以及更好地处理未以最后一句标点符号结尾的字符串。
import re
p = re.compile(r'\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))')
s = "I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith"
for m in p.findall(s):
print(m)
输出：
I am from New York, N.Y. and I would like to say hello!
How are you today?
I am well.
I owe you . 00 because you bought me a No. 3 burger.
-Sgt. Smith
图案详情
\s* - 匹配 0 个或多个空格（用于 trim 结果）(?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+ - 多个替代词出现一次或多次：
\d+\.\s*\d+ - 1+ 位，.，0+ 空格，1+ 位 (?:No|M[rs]|[JD]r|S(?:r|gt))\. - 缩写字符串，如 No.、Mr.、Ms.、Jr.、Dr.、Sr.、 Sgt.\.(?!\s+-?[A-Z0-9]) - 匹配后跟一个或多个空格的点，然后是可选的 - 和大写字母或数字 | - 或[^.!?] - 除了 .、! 和 ?
(?:[.?!]|$) - .、! 和 ? 或字符串结尾。
正如我在上面的评论中提到的，如果您无法定义一组固定的边缘情况，那么如果没有误报或漏报，这可能是不可能的。同样，如果没有上下文，您将无法区分“-Sgt. Smith”等缩写和 "Sergeant is often times abbreviated as Sgt. This makes it shorter.".
等句子结尾
但是，如果您可以 定义一组固定的边缘情况，则分多个步骤执行此操作可能更容易且可读性更高。
1.确定您的边缘案例
例如，您可以通过检查后续数字来区分 "Ill have a No. 3" 和 "No. I am your father"。所以你会用这样的正则表达式来识别边缘情况：No. \d。 （同样，上下文很重要。像 "Is 200 enough? No. 200 is not enough." 这样的句子仍然会给你一个误报）
2。掩盖你的边缘情况
对于每个边缘情况，用 100% 不属于原始文本的相应字符串屏蔽字符串。例如。 "No." => "======NUMBER======"
3。 运行你的算法
现在您已经删除了不需要的标点符号，您可以 运行 一个更简单的正则表达式来识别真正的积极因素：[\.\!\?]\s
4.揭开你的边缘案例
将“======NUMBER======”转回"No."
我正在尝试匹配标点符号后的空格，以便我可以拆分大量文本，但我看到一些常见的边缘情况，包括地点、标题和常见缩写：
I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith
我将它与 Python 中的 re.split 函数一起使用 3 我想得到这个：
["I am from New York, N.Y. and I would like to say hello!",
"How are you today?",
"I am well.",
"I owe you . 00 because you bought me a No. 3 burger."
"-Sgt. Smith"]
这是我目前的正则表达式：
(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)(?<=[^N]..)(?<=[^o].)
我决定首先尝试修复 No.，最后两个条件。但它依赖于独立匹配 N 和 o，我认为这会在其他地方出现误报。我无法弄清楚如何让它只制作句点后面的字符串 No 。然后，我将对 Sgt. 和我遇到的任何其他 "problem" 字符串使用类似的方法。
我正在尝试使用类似的东西：
(?<=[\.\?\!])(?<=[^A-Z].)(?<=[^0-9].)^(?<=^No$)
但在那之后它没有捕捉到任何东西。我怎样才能让它排除某些我希望其中有句点的字符串，而不是捕获它们？
这是我的情况的正则表达式：https://regexr.com/4sgcb
只使用一个正则表达式会很棘手 - 正如评论中所述，有很多边缘情况。
我自己会分三步完成：
- 将应该保留的 space 替换为一些特殊字符 (
re.sub) - 拆分文本 (
re.split) - 将特殊字符替换为space
例如：
import re
zero_width_space = '\u200B'
s = 'I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith'
s = re.sub(r'(?<=\.)\s+(?=[\da-z])|(?<=,)\s+|(?<=Sgt\.)\s+', zero_width_space, s)
s = re.split(r'(?<=[.?!])\s+', s)
from pprint import pprint
pprint([line.replace(zero_width_space, ' ') for line in s])
打印：
['I am from New York, N.Y. and I would like to say hello!',
'How are you today?',
'I am well.',
'I owe you . 00 because you bought me a No. 3 burger.',
'-Sgt. Smith']
这是我能得到的最接近的正则表达式（尾随 space 是我们匹配的那个）：
(?<=(?<!(No|\.\w))[\.\?\!])(?! *\d+ *)
它也会在 Sgt. 之后拆分，原因很简单，即后向断言必须在 Python 中固定宽度（限制！）。
这就是我在 vim 中的做法，它没有这样的限制（尾随 space 是我们匹配的那个）：
\(\(No\|Sgt\|\.\w\)\@<![?.!]\)\( *\d\+ *\)\@!\zs
对于 OP 以及休闲 reader，
您可以考虑一种匹配方法，它可以让您更好地控制要计为单个词而不是断句信号的实体。
使用类似
的模式\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))
它与我发布的内容非常相似 No. 和 Sgt. 缩写支持以及更好地处理未以最后一句标点符号结尾的字符串。
import re
p = re.compile(r'\s*((?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+(?:[.?!]|$))')
s = "I am from New York, N.Y. and I would like to say hello! How are you today? I am well. I owe you . 00 because you bought me a No. 3 burger. -Sgt. Smith"
for m in p.findall(s):
print(m)
输出：
I am from New York, N.Y. and I would like to say hello!
How are you today?
I am well.
I owe you . 00 because you bought me a No. 3 burger.
-Sgt. Smith
图案详情
\s*- 匹配 0 个或多个空格（用于 trim 结果）(?:\d+\.\s*\d+|(?:No|M[rs]|[JD]r|S(?:r|gt))\.|\.(?!\s+-?[A-Z0-9])|[^.!?])+- 多个替代词出现一次或多次：\d+\.\s*\d+- 1+ 位，.，0+ 空格，1+ 位(?:No|M[rs]|[JD]r|S(?:r|gt))\.- 缩写字符串，如No.、Mr.、Ms.、Jr.、Dr.、Sr.、Sgt.\.(?!\s+-?[A-Z0-9])- 匹配后跟一个或多个空格的点，然后是可选的-和大写字母或数字|- 或[^.!?]- 除了.、!和? 之外的任何字符
(?:[.?!]|$)-.、!和?或字符串结尾。
正如我在上面的评论中提到的，如果您无法定义一组固定的边缘情况，那么如果没有误报或漏报，这可能是不可能的。同样，如果没有上下文，您将无法区分“-Sgt. Smith”等缩写和 "Sergeant is often times abbreviated as Sgt. This makes it shorter.".
等句子结尾但是，如果您可以 定义一组固定的边缘情况，则分多个步骤执行此操作可能更容易且可读性更高。
1.确定您的边缘案例
例如，您可以通过检查后续数字来区分 "Ill have a No. 3" 和 "No. I am your father"。所以你会用这样的正则表达式来识别边缘情况：No. \d。 （同样，上下文很重要。像 "Is 200 enough? No. 200 is not enough." 这样的句子仍然会给你一个误报）
2。掩盖你的边缘情况
对于每个边缘情况，用 100% 不属于原始文本的相应字符串屏蔽字符串。例如。 "No." => "======NUMBER======"
3。 运行你的算法
现在您已经删除了不需要的标点符号，您可以 运行 一个更简单的正则表达式来识别真正的积极因素：[\.\!\?]\s
4.揭开你的边缘案例
将“======NUMBER======”转回"No."