Как разделить абзац на предложения, разделенные точкой (.), Кроме случаев, когда точка является частью сокращения?

Question

Считайте этот текст параграфом

Группы по сохранению называют 20-летний запрет важнейшей защитой американской иконы.Горнодобывающая промышленность и некоторые республиканские члены Конгресса говорят, что это наносит ущерб экономике Аризоны и энергетической независимости страны. «Несмотря на значительное давление со стороны горнодобывающей промышленности, президент и секретарь Салазар не отступили», - сказала Джейн Дановитц, директор государственных земель США.для Pew Environment Group.

В приведенном выше предложении легко разбить предложения по периоду (.), но это приведет к неверным результатам при обработке периода в США.Предположим, у меня есть список сокращений, таких как

String abbrev[] ={"u.s.a", "u.a.e", "u.k", "p.r.c","u.s.s.r", };
String regex= "\\.";
Pattern pattern = Pattern.compile(regex,Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(sx);
int beginIndex=0;

// Check all occurance
int index=0;
while (matcher.find()) {
    System.out.print("Start index: " + matcher.start());
    System.out.print(" End index: " + matcher.end() + " ");

    String group=matcher.group();
    System.out.println("group: " + group);
    int dotIndex= group.indexOf(".");
    String sub= sx.substring(beginIndex, matcher.start()+dotIndex);
    beginIndex= matcher.start()+dotIndex;

    System.out.println(sub);
}            

. Я мог бы сделать грубое силовое сопоставление со всеми сокращениями вокруг dotIndex.Есть ли лучший подход?

Answer 1

Моим лучшим предположением было бы что-то вроде: (?<!\.[a-zA-Z])\.(?![a-zA-Z]\.), что означало бы:

(?<!\.[a-zA-Z])    # can't be preceded by a period followed by a single letter
\.
(?![a-zA-Z]\.)     # nor can it be followed by a letter and another preiod

Тогда вы можете выполнить замену оттуда.

Демо

Это потребовало бы гораздо больше усилий, если бы вам нужно было поймать период в кавычках, который не учитывается в приведенном выше паттерне.

Answer 2

Эта проблема не может быть решена с помощью регулярных выражений. Узнать, заканчивается ли предложение в любой данный период, непросто. Сокращения могут быть или не быть концом предложения. Эллипсы могут быть записаны как три периода (или, в некоторых случаях, четыре, в зависимости от преобладающего стиля). Приговоры иногда заканчиваются после закрывающей кавычки, которая следует после периода, отмечающего конец предложения (опять же в зависимости от преобладающего стиля).

Вы можете использовать эвристику, чтобы получить правильный ответ большую часть времени. Но это скорее статистическая проблема, чем проблема регулярных выражений.