使用正則表達式（Regex）尋找句尾標點問題

Question

我收到一位譯者的這封電子郵件。我雖然能寫出基礎的正則表達式，但認為我可能會遺漏一些可能作為句子結尾的標點符號。請問有沒有人能幫忙？

我希望進行一次最終標點檢查，這不在 Paratext 的標準檢查範圍內。具體來說，我想確保我們沒有在節（verse）的結尾遺漏任何句號。（我們在錄音過程中已經發現了幾處。）所以，我基本上是在尋找一段 REGEX 代碼，用來識別那些以大寫字母開頭，但前一節並未以句號結尾的地方。（我知道這可能會識別出一些誤報，例如當一節以專有名詞開頭時，但至少能給我一份比檢查所有節更短的清單。如果你能寫出一些 REGEX 代碼來幫助我，我將非常感激。）

謝謝，

james_post

機器翻譯自 English 顯示原文

Answer 1

首先是一些反饋，並對你在十分鐘內寫出這段代碼表示讚賞：

• (?<=\p{L}) => 這部分很好，但我建議將「字母」包含在實際的捕獲組中，這樣用戶就能看到正則表達式在哪裡發現了潛在的「句尾」。讚賞你同時考慮了大寫和小寫字母。因此，在我的建議中，我將 ?<= 替換為 ?:

• (?<!\\[\w+]) => 我認為為了避免某些標記造成的誤報，這部分必須位於你的「字母」左側。此外，+ 應該放在方括號外，因為許多標記包含多個字符，例如 \s1。

• 某些標記包含 *，例如表示某事物結束的 \em*。我模糊地記得某些標記可以甚至必須包含 +。如果是這樣，你可以輕鬆地在字符列表中添加這些字符，例如 [\w*+]。

• \s*(?:\\\w+)?\s* => 我將這部分替換為「跳過節結尾與下一節開頭之間任意數量的潛在標記和空白字符」。

• \\v [\d\w]+ \p{Lu} => 尋找一個節，其後緊跟一個大寫字母。看來你對 \v 與節號之間以及節號之後的「標準空格」很有信心，所以我保留了該語法。

我想提交一個修改後的正則表達式，不聲稱這是最終解決方案，只是希望能涵蓋更多情況：

(?<!\\[\w\*]*)(?:\p{L})\s*(?:\\[\w\*]+\s+)*\\v [\d\w]+ \p{Lu}

以下是我的正則表達式的說明，來自我的工具：

(?<!\\[\w\*]*)(?:\p{L})\s*(?:\\[\w\*]+\s+)*\\v [\d\w]+ \p{Lu}

(?<!\\[\w\*]*)(?:\p{L})\s*(?:\\[\w\*]+\s+)*\\v [\d\w]+ \p{Lu}

(?<!\\[\w\*]*)(?:\p{L})\s*(?:\\[\w\*]+\s+)*\\v [\d\w]+ \p{Lu}

選項：不區分大小寫；精確間距；點號匹配換行符

• 斷言在此位置反向匹配下方的正則表達式是不可能的（負向前瞻/negative lookbehind）
  • 匹配反斜杠字符
  • 匹配下列列表中存在的單個字符
    • 零次到無限次，盡可能多地匹配，必要時回溯（貪婪）
    • 一個「單詞字符」（Unicode；任何字母或表意文字、數字、字母數字、連接符號）
    • 字面字符 “*”
• 匹配下方的正則表達式
  • 匹配 Unicode 類別「字母」中的字符（任何語言的任何類型的字母）
• 匹配單個「空白字符」（任何 Unicode 分隔符、製表符、換行符、回車符、垂直製表符、換頁符、下一行、零寬空格）
  • 零次到無限次，盡可能多地匹配，必要時回溯（貪婪）
• 匹配下方的正則表達式
  • 零次到無限次，盡可能多地匹配，必要時回溯（貪婪）
  • 匹配反斜杠字符
  • 匹配下列列表中存在的單個字符
    • 一次到無限次，盡可能多地匹配，必要時回溯（貪婪）
    • 一個「單詞字符」（Unicode；任何字母或表意文字、數字、字母數字、連接符號）
    • 字面字符 “*”
  • 匹配單個「空白字符」（任何 Unicode 分隔符、製表符、換行符、回車符、垂直製表符、換頁符、下一行、零寬空格）
    • 一次到無限次，盡可能多地匹配，必要時回溯（貪婪）
• 匹配反斜杠字符
• 字面匹配字符字符串 “v ”（不區分大小寫）
• 匹配下列列表中存在的單個字符
  • 一次到無限次，盡可能多地匹配，必要時回溯（貪婪）
  • 一個「數字」（任何 Unicode 文字中的任何十進制數字）
  • 一個「單詞字符」（Unicode；任何字母或表意文字、數字、字母數字、連接符號）
• 字面匹配字符 “ ”
• 匹配 Unicode 類別「大寫字母」中的字符（具有小寫變體的大寫字母）

使用 RegexBuddy 創建

這裡是一些我用於測試的樣本文本。很可能不完整（在每個示例的結尾，我標記了它是否被捕獲）：

\v 8 Some text without \em punctuation\em* \rem \any \v 9 A new verse which is a new sentence, starting with a capital.  [catch]

\v 8 Some text without \em punctuation\em*  \v 9 A new verse which is a new sentence, starting with a capital.  [catch]

\v 8 Some text without punctuation \v 9a A new verse which is a new sentence, starting with a capital.  [catch]

\v 8 Some text with proper \em punctuation.\em* \just \one \more \v 9 A new verse which is a new sentence, starting with a capital.  [punctuation present, so no catch]

\v 8 Some text ending an an all-cap word like \em LORD\em* \v 9 A new verse which is a new sentence, starting with a capital.  [catch]

\v 10 A long sentence \whatever \v 11a  over two verses or more.  [No punctuation needed, so no catch]

所以，這很有趣。希望我沒有偏離太遠。遺憾的是，我永遠記不清 PT 使用的是哪種正則表達式方言（flavour）。如果因為方言不同而導致語法問題，我可以輕鬆地應用另一種方言（如 .NET 或 Java）並重新運行我的工具。

再次強調：這不是解決方案，但或許有助於開啟對話。

希望對你有幫助（hth）

機器翻譯自 English 顯示原文

Answer 2

我在十分鐘內能想到的最佳方案如下：

(?<=\p{L})(?<!\\[\w+])\s*(?:\\\w+)?\s*\\v [\d\w]+ \p{Lu}

我不確定它的準確度如何（它通過了我所有的測試數據，但測試範圍肯定不夠廣泛），所以可能有人能做得更好。

該表達式的簡要說明：

• (?<=\p{L}) => 向前查看（Look behind）是否有一個字母（即前一節的結尾）
• (?<!\\[\w+]) => 確保該字母不是標記（marker）的一部分（負向前瞻/negative look behind）
• \s*(?:\\\w+)?\s* => 跳過節結尾與下一節開頭之間可能存在的任何單一標記和空白字符。
• \\v [\d\w]+ \p{Lu} => 尋找一個節，其後緊跟一個大寫字母。

機器翻譯自 English 顯示原文

Comments

我們在 TkLy - Toka-Ley 聖經翻譯項目中也有同樣的問題。如上段所述，“我想確保我們沒有在節的結尾遺漏任何句號。”
我將 REGEX 代碼複製並粘貼到「尋找」（Find）窗口中。Paratext 找到了 73 個項目。但不幸的是，除了五個之外，其餘都是緊跟章節標題（Section Heading）或位於章節編號（Chapter Number）之後的節。這五個例外中有四個是沒有句號的有效錯誤。
有沒有辦法修改 REGEX 以排除緊跟章節標題的節？
謝謝，
Mark

機器翻譯自 English 顯示原文