Преобразование выражения регулярного выражения для извлечения предложения в Ruby

Question

Я нашел это выражение регулярного выражения на http://en.wikipedia.org/wiki/Sentence_boundary_disambiguation для значения границ границ предложения, но не могу использовать его в статусе разбиения Ruby. Я не слишком хорош с регулярным выражением, так что, может быть, я чего-то не хватает? Это Постулаты:

((?<=[a-z0-9)][.?!])|(?<=[a-z0-9][.?!]\"))(\s|\r\n)(?=\"?[A-Z]) 

и это не то, что я пытался в Ruby, но не идти:

text.split("((?<=[a-z0-9)][.?!])|(?<=[a-z0-9][.?!]\"))(\s|\r\n)(?=\"?[A-Z])") 

Answer 1

Это должно работать в Ruby 1.9 или Ruby 1.8, если он был скомпилирован с регулярным выражением Oniguruma двигатель (который является стандартным в Ruby 1.9):

result = text.split(/((?<=[a-z0-9)][.?!])|(?<=[a-z0-9][.?!]"))\s+(?="?[A-Z])/) 

разница заключается в том, что ваш код передает буквальную строку split(), в то время как этот код передает буквальное регулярное выражение.

Он не будет работать с использованием обычного рулевого механизма Ruby (который является стандартным в Ruby 1.8), потому что он не поддерживает lookbehind.

Я также модифицировал регулярное выражение. Я заменил (\s|\r\n) на \s+. Мое регулярное выражение также разделяет предложения, которые имеют несколько пробелов между ними (ввод двух пробелов после того, как предложение распространено во многих культурах) и/или несколько разрывов строк между ними (разделение абзацев).

При работе с текстом Юникода, дальнейшее улучшение было бы заменить a-z с \p{Ll}\p{Lo}, A-Z с \p{Lu}\p{Lt}\p{Lo} и 0-9 с \p{N} в различных классах символов в своем регулярном выражении. Класс символов с символами пунктуации можно разложить аналогично. Это потребует немного больше исследований, потому что нет никакого свойства Unicode для препинания в конце предложения.