将字符串分为句子

Question

我编写了这片代码，该代码将字符串拆分并将其存储在字符串数组中： -

String[] sSentence = sResult.split("[a-z]\\.\\s+");

但是，我添加了[AZ]，因为我想处理一些缩写问题。但是随后我的结果出现了： -

此外，埃弗里特（Everett

我看到我失去了拆分函数中指定的模式。我可以失去这个时期，但是失去了这个词的最后一句话扰乱其含义。

有人可以帮助我，此外，还可以帮助我处理缩写吗？例如，由于我基于周期拆分字符串，所以我不想丢失缩写。

Answer 1

即使对于像英语这样的拉丁语言，解析句子远非琐碎的任务。像您在问题中概述的一种天真方法一样，经常会失败，以至于在实践中将被证明是无用的。

更好的方法是使用 断路器 配置为正确的语言环境。

BreakIterator iterator = BreakIterator.getSentenceInstance(Locale.US);
String source = "This is a test. This is a T.L.A. test. Now with a Dr. in it.";
iterator.setText(source);
int start = iterator.first();
for (int end = iterator.next();
    end != BreakIterator.DONE;
    start = end, end = iterator.next()) {
  System.out.println(source.substring(start,end));
}

产生以下结果：

1. 这是一个测试。
2. 这是TLA测试。
3. 现在有一位博士。

Answer 2

在所有情况下，都很难获得正则表达式工作，但是要解决您的直接问题，您可以使用LOWBEHIND：

String sResult = "This is a test. This is a T.L.A. test.";
String[] sSentence = sResult.split("(?<=[a-z])\\.\\s+");

结果：

This is a test
This is a T.L.A. test.

请注意，有些缩写不会以大写字母的结尾，例如Abbrev。，Mr.等...而且还有一些句子在时期内没有结束！

Answer 3

如果可以的话，请使用自然语言处理工具，例如 lingpipe. 。使用正则表达式，例如（例如例如 :-)), 先生。, 缩写, 省略 (...), 等等.

有一个很容易遵循的教程 句子检测 在Lingpipe网站上。