正则表达式，将从文本文件中提取句子

Question

我需要一个能从文本文件中提取句子的正则表达式。 示例文本：

例如，考虑2004年底发生的亚洲海啸灾难。对Google新闻（http://news.google.com）的查询返回了超过80,000条关于此事件的在线新闻文章一个月（2005年1月17日至2月17日）。先生的信息。 Kahana。

这是我的代码：

$re = '/(?<=[.!?]|[.!?][\'"])\s+/';
$sentences = preg_split($re, $text, -1, PREG_SPLIT_NO_EMPTY);

但最后一句仍然分为information by mr.和Kahana. 怎么解决？谢谢你:)）

Answer 1

使用正则表达式无法执行此操作

英语作为一种语言不适合放在合适的格式规则中。因此，正则表达式不适合您实现的目的。你真正想要的是像自然语言处理器。

除非这对您的计划至关重要，否则我建议您确定以下事项：

• 什么是可接受的错误级别？您所做的一切都不会是完美的。但如果它的工作原理80％是可以的吗？ 90％？ 99％？这对您/您的客户有多重要？
• 来自哪里的文字？例如，教科书的编写方式很可能与人们的推文不同。您可以根据您在实际使用的文本中看到的内容进行研究并制作例外。
• 我对文字做了什么？如果您只是为关键字之类的内容编制索引，那么如果您正确分割句子并不重要（同样多）。所有这些都是为了调整程序以获得适合此特定目的的输出。

我的建议是使用反复试验来尽可能降低错误率。在大量文本上运行程序，并继续添加异常，直到获得可接受的错误率。但是，如果你需要超过几十个规则，你可能只想重新考虑这个问题。

简而言之，PHP和正则表达式并不适用于此，因为英语很时髦。因此，要么添加例外以获得较小的错误率，要么完全重新考虑这一点。