Java - регулярное выражение для разделения токенов с минимальным размером и разделителями

Question

Я знаю, что знаю, есть много похожих вопросов, и я могу сказать, что я прочитал их все. Но я не очень хорошо разбираюсь в регулярном выражении, и я не мог понять, какое регулярное выражение мне нужно.

Я хочу, чтобы разбить строку в Java, и у меня есть 4 ограничения:

1. Разделители являются (конец предложения)
2. Десятичные числа не должны быть лексического
[.?!]
3. Разделители не следует удалять.
4. Минимальный размер каждого маркера должно быть 5

Например, для ввода:

"Hello World! This answer worth $1.45 in U.S. dollar. Thank you."

Выходной сигнал будет:

[Hello World!, This answer worth $1.45 in U.S. dollar., Thank you.]

До сих пор Я получил ответ для трех первых ограничений этого регулярного выражения:

text.split("(?<=[.!?])(?<!\\d)(?!\\d)"); 

И я знаю, что должен использовать {5,} где-то в моем регулярном выражении, но любая комбинация, которую я пробовал, не работает.

Для таких случаев, как: "I love U.S. How about you?" Не имеет значения, дает ли оно мне одно или два предложения, поскольку оно не делает токенизацию S. в виде отдельной фразы.

И, наконец, знакомство с хорошим руководством по регулярному выражению оценивается.

UPDATE: Как Chris упоминалось в комментариях, практически невозможно решить такие вопросы, как это (чтобы охватить все случаи происходят в естественных языках) с регулярным выражением. Однако я нашел ответ Хамза в шкафу и самый полезный.

Итак, будьте осторожны! Принятый ответ не будет охватывать все возможные варианты использования!

Answer 1

Основание моего ответа от previously made regex.
Регулярное выражение было в основном (?<=[.?!])\s+(?=[a-z]), что означает соответствие любой пробел один или несколько раз предшествует либо ., ? или ! и последующим [a-z] (не забывая при этом модификатор i).

Теперь давайте изменим его к потребностям этого вопроса:

1. Мы сначала преобразовать его в JAVA регулярное выражение: (?<=[.?!])\\s+(?=[a-z])
2. Мы добавим модификатор i, чтобы соответствовать нечувствительно к регистру (?i)(?<=[.?!])\\s+(?=[a-z])
3. Мы положим выражение в позитивном свете, чтобы предотвратить «поедание» символов (в этом случае разделители): (?=(?i)(?<=[.?!])\\s+(?=[a-z]))
4. Мы добавим отрицательный lookbehind, чтобы проверить, нет ли аббревиатуры ции в формате LETTER DOT LETTER DOT: (?i)(?<=[.?!])(?<![a-z]\.[a-z]\.)\\s+(?=[a-z])

Таким образом, наше окончательное регулярное выражение выглядит следующим образом: (?i)(?<=[.?!])(?<![a-z]\.[a-z]\.)\\s+(?=[a-z]).

Некоторые ссылки:

• Online tester, прыгайте JAVA
• Explain tool (Не JAVA основе)
• THE regex tutorial
• Java specific regex tutorial
• SO regex chatroom
• Некоторые передовые хороший регулярное выражение-фу на SO
  • How does this regex find triangular numbers?
  • How can we match a^n b^n with Java regex?
  • How does this Java regex detect palindromes?
  • How to determine if a number is a prime with regex?
  • "vertical" regex matching in an ASCII "image"
  • Can the for loop be eliminated from this piece of PHP code?
    ^- См регулярок решение, хотя и не уверен, если это применимо в JAVA

Answer 2

Как насчет следующего регулярного выражения?

(?<=[.!?])(?!\w{1,5})(?<!\d)(?!\d) 

e.g.

private static final Pattern REGEX_PATTERN = 
     Pattern.compile("(?<=[.!?])(?!\\w{1,5})(?<!\\d)(?!\\d)"); 

public static void main(String[] args) { 
    String input = "Hello World! This answer worth $1.45 in U.S. dollar. Thank you."; 

    System.out.println(java.util.Arrays.toString(
     REGEX_PATTERN.split(input) 
    )); // prints "[Hello World!, This answer worth $1.45 in U.S., dollar., Thank you.]" 
}