C# 什么是解析单个句子的正则表达式？

我正在寻找一个好的.NET正则表达式，可以用来解析文本体中的单个句子

它应该能够将以下文本块精确地解析为六个句子：

Hello world! How are you? I am fine.
This is a difficult sentence because I use I.D.

Newlines should also be accepted. Numbers should not cause  
sentence breaks, like 1.23.

事实证明，这比我最初想象的要有点挑战性

任何帮助都将不胜感激。我将用它在已知的文本体上训练系统。

试试这个

@”（\S++[！？]）（？=\S++$）”

：

结果:

Hello world!
How are you?
I am fine.
This is a difficult sentence because I use I.D.
Newlines should also be accepted.
Numbers should not cause sentence breaks, like 1.23.

当然，对于复杂的解析器，您需要一个真正的解析器，比如SharpNLP或NLTK。我的只是一个又快又脏的

以下是信息和功能：

SharpNLP是一个自然资源的集合 用语言编写的语言处理工具 C#。目前它提供 以下NLP工具：

• 分句器
• 标记器
• 词性标记
• chunker（用于“查找非递归语法注释，如名词短语块”）
• 分析器
• 查名字的人
• 共指工具
• WordNet词法数据库的接口

---

只有正则表达式才可能做到这一点，除非您确切知道自己拥有哪些“困难”标记，如“i.d.”、“先生”等。例如，有多少句话是“请出示您的ID，邦德先生”？我不熟悉任何C#实现，但我使用过NLTK。也许重新实施不应该太难

var str=@“你好，世界！你好吗？我很好。这是一个很难的句子，因为我用的是身份证。
var str = @"Hello world! How are you? I am fine. This is a difficult sentence because I use I.D.
Newlines should also be accepted. Numbers should not cause sentence breaks, like 1.23.";

Regex.Split(str, @"(?<=[.?!])\s+").Dump();

换行符也应该被接受。数字不应该像1.23那个样导致句子中断。”；
Regex.Split（str，@）（？不可能使用Regex来解析自然语言。句子的结尾是什么？句点可以出现在许多地方（例如）。您应该使用自然语言分析工具包，如OpenNLP或NLTK。不幸的是，C#中的产品（如果有的话）很少。因此，您可能需要创建Web服务或链接到C#

请注意，如果您依赖于“I.D.”中的精确空格，将来可能会出现问题。您很快就会发现破坏正则表达式的示例。例如，大多数人在其初始值后放置空格

WP（）中有一个关于开放和商业产品的优秀总结。我们已经使用了其中的一些产品。这是值得努力的

[你使用“训练”这个词。这通常与机器学习有关（这是NLP的一种方法，用于句子分割）。事实上，我提到的工具包包括机器学习。我怀疑这不是你的意思-而是你会通过启发式进化你的表达。不要！]
我使用了这里发布的建议，并提出了正则表达式，以实现我想要做的事情：

(?<Sentence>\S.+?(?<Terminator>[.!?]|\Z))(?=\s+|\Z)

（？\S.+？（？[！？]|\Z））（？=\S++\Z）

我曾经想到：

//  using System.Text.RegularExpressions;
/// <summary>
///  Regular expression built for C# on: Sun, Dec 27, 2009, 03:05:24 PM
///  Using Expresso Version: 3.0.3276, http://www.ultrapico.com
///  
///  A description of the regular expression:
///  
///  [Sentence]: A named capture group. [\S.+?(?<Terminator>[.!?]|\Z)]
///      \S.+?(?<Terminator>[.!?]|\Z)
///          Anything other than whitespace
///          Any character, one or more repetitions, as few as possible
///          [Terminator]: A named capture group. [[.!?]|\Z]
///              Select from 2 alternatives
///                  Any character in this class: [.!?]
///                  End of string or before new line at end of string
///  Match a suffix but exclude it from the capture. [\s+|\Z]
///      Select from 2 alternatives
///          Whitespace, one or more repetitions
///          End of string or before new line at end of string
///  
///
/// </summary>
public static Regex regex = new Regex(
      "(?<Sentence>\\S.+?(?<Terminator>[.!?]|\\Z))(?=\\s+|\\Z)",
    RegexOptions.CultureInvariant
    | RegexOptions.IgnorePatternWhitespace
    | RegexOptions.Compiled
    );


// This is the replacement string
public static string regexReplace = 
      "$& [${Day}-${Month}-${Year}]";


//// Replace the matched text in the InputText using the replacement pattern
// string result = regex.Replace(InputText,regexReplace);

//// Split the InputText wherever the regex matches
// string[] results = regex.Split(InputText);

//// Capture the first Match, if any, in the InputText
// Match m = regex.Match(InputText);

//// Capture all Matches in the InputText
// MatchCollection ms = regex.Matches(InputText);

//// Test to see if there is a match in the InputText
// bool IsMatch = regex.IsMatch(InputText);

//// Get the names of all the named and numbered capture groups
// string[] GroupNames = regex.GetGroupNames();

//// Get the numbers of all the named and numbered capture groups
// int[] GroupNumbers = regex.GetGroupNumbers();

//使用System.Text.RegularExpressions；
/// 
///为C#on构建的正则表达式：Sun，2009年12月27日，03:05:24 PM
///使用Expresso版本：3.0.3276，http://www.ultrapico.com
///  
///正则表达式的说明：
///  
///[句子]：命名的捕获组。[\S.+？（？[！？]|\Z]
///\S.+？（？[.！？]|\Z）
///除了空白以外的任何内容
///任何字符，一个或多个重复，尽可能少
///[终止符]：命名的捕获组。[[.！？]|\Z]
///从两个备选方案中进行选择
///此类中的任何字符：[.！？]
///字符串末尾或字符串末尾的新行之前
///匹配后缀，但将其从捕获中排除。[\s+\Z]
///从两个备选方案中进行选择
///空白，一个或多个重复
///字符串末尾或字符串末尾的新行之前
///  
///
/// 
公共静态正则表达式Regex=新正则表达式(
“（？\\S.+？（？[！？]\\\Z））（？=\\S+\\\Z）”，
RegexOptions.CultureInvariant
|RegexOptions.IgnorePatternWhitespace
|RegexOptions.Compiled
);
//这是替换字符串
公共静态字符串regexReplace=
“$&[${Day}-${Month}-${Year}]”；
////使用替换模式替换InputText中匹配的文本
//字符串结果=regex.Replace（InputText，regexReplace）；
////在正则表达式匹配的位置拆分InputText
//string[]results=regex.Split（InputText）；
////捕获InputText中的第一个匹配项（如果有）
//匹配m=正则表达式匹配（InputText）；
////捕获InputText中的所有匹配项
//MatchCollection ms=regex.Matches（InputText）；
////测试以查看InputText中是否存在匹配项
//bool IsMatch=regex.IsMatch（InputText）；
////获取所有命名和编号的捕获组的名称
//字符串[]GroupNames=regex.GetGroupNames（）；
////获取所有命名和编号的捕获组的编号
//int[]GroupNumbers=regex.GetGroupNumbers（）；
大多数人建议使用SharpNLP，除非你想让你的QA部门有一个bug fest，否则你可能应该这样做

但是，因为你可能承受着某种压力。这里有另一种尝试来处理像“Dr.”和“X.”这样的词。但是，它会以“it”结尾的句子失败

你好，世界！你好吗？我很好。这是一个很难的句子
因为我使用ID，所以换行符也应该被接受。数字不应该被接受
引起句子中断，如1.23。幽门螺杆菌见B博士或FooBar先生
心脏评估

var result=new Regex（@“（\S.+？[！？]）（？=\S+|$）（？+1，用于将我们指向SharpNLP，这是我以前没有见过的，可能非常有用。最好对
（？：\S+|$）使用前瞻性断言
。谢谢您提供的Gumbo信息，它更好，但我必须在前面添加\S，因为左边的空格必须去掉。谢谢大家。这是一个有用的见解。我将在接下来的几天内试用。@Luke:看起来您希望在“原因”和“句子”之间有一个明显的分界在你的示例文本中，但它没有显示。我强迫它显示为I
//  using System.Text.RegularExpressions;
/// <summary>
///  Regular expression built for C# on: Sun, Dec 27, 2009, 03:05:24 PM
///  Using Expresso Version: 3.0.3276, http://www.ultrapico.com
///  
///  A description of the regular expression:
///  
///  [Sentence]: A named capture group. [\S.+?(?<Terminator>[.!?]|\Z)]
///      \S.+?(?<Terminator>[.!?]|\Z)
///          Anything other than whitespace
///          Any character, one or more repetitions, as few as possible
///          [Terminator]: A named capture group. [[.!?]|\Z]
///              Select from 2 alternatives
///                  Any character in this class: [.!?]
///                  End of string or before new line at end of string
///  Match a suffix but exclude it from the capture. [\s+|\Z]
///      Select from 2 alternatives
///          Whitespace, one or more repetitions
///          End of string or before new line at end of string
///  
///
/// </summary>
public static Regex regex = new Regex(
      "(?<Sentence>\\S.+?(?<Terminator>[.!?]|\\Z))(?=\\s+|\\Z)",
    RegexOptions.CultureInvariant
    | RegexOptions.IgnorePatternWhitespace
    | RegexOptions.Compiled
    );


// This is the replacement string
public static string regexReplace = 
      "$& [${Day}-${Month}-${Year}]";


//// Replace the matched text in the InputText using the replacement pattern
// string result = regex.Replace(InputText,regexReplace);

//// Split the InputText wherever the regex matches
// string[] results = regex.Split(InputText);

//// Capture the first Match, if any, in the InputText
// Match m = regex.Match(InputText);

//// Capture all Matches in the InputText
// MatchCollection ms = regex.Matches(InputText);

//// Test to see if there is a match in the InputText
// bool IsMatch = regex.IsMatch(InputText);

//// Get the names of all the named and numbered capture groups
// string[] GroupNames = regex.GetGroupNames();

//// Get the numbers of all the named and numbered capture groups
// int[] GroupNumbers = regex.GetGroupNumbers();

    var result = new Regex(@"(\S.+?[.!?])(?=\s+|$)(?<!\s([A-Z]|[a-z]){1,3}.)").Split(input).Where(s => !String.IsNullOrWhiteSpace(s)).ToArray<string>();
    foreach (var match in result) 
    {
        Console.WriteLine(match);
    }