Reguläre Ausrücke Punkte im Satz richtig erkennen

[critak]

Hi bin ganz neu an Board und hab sogar schon eine Frage bei der ihr mir vll helfen könntet.
Da ich hoffe das dieser Beitrag irgendwann mal jemand anderem helfen wird, gebe ich mir extra viel Mühe. ;-)

Ich möchte Sätze aus Text extrahieren.
Meine Adhoc Lösung war also

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

Ok, was fällt auf ? Fälle wie "The Ex-President Georg W. Bush is a man." enden so:

[The Ex-President Georg W]
[Bush is a man.]

Ok, also brauche ich eine Regel die keinen Split bei Einzelbuchstaben macht.
Hab ein Paar Tutorials gemacht und herrausgefunden, dass

^ = Negator
[A-Z] = Alle möglichen Großbuchstaben von A-Z.
{1} = der Länge 1

Also hab ich:

text.split("^([A-Z]{1}[.])|[\\.\\!\\?]");

Funktioniert aber nicht

Das Nächste Problem wäre zb "On 29. January the boy was Born" , "etc." und "My Prof. ask me to do some FooFooFoo"


Hab wirklich recht wenig Ahnung von RegExpr und hoffe deswegen das ihr mir helfen könnt.
Vielen Dank schonmal.

 

[Mizar]

Ich weiß nicht so recht ob es überhaupt möglich ist einen regulären Ausdruck zu finden, der alle auftauchenden Spezialfälle korrekt behandelt. Nehmen wir als Beispiel den folgenden Satz:

Die richtige Antwort auf die 29. Frage lautete 29.

Wie soll hier ein regulärer Ausdruck erkennen können, dass es sich beim 1. Punkt nicht um das Satzende handelt, wohl aber beim 2. Punkt? Sollte ich mich irren, dann korrigiert mich bitte, aber ich hätte keine Ahnung wie das möglich sein sollte ???:L

 

[turing]

Du kannst "([a-zA-Z][a-zA-Z][a-zA-Z]*)[\\.\\!\\?]" nutzen, um alle Positionen zu finden, in denen min. zwei Buchtstaben gefolgt von einem Satz-Endezeichen folgen. Jedoch kann es auch Abkürzungen mit zwei oder mehr Buchstaben geben (usw.) oder Zahlen können am Satzende auftauchen. So einfach ist das nicht.

BTW: Wenn Du mit sowas ein split ansetzt, verschwinden die gematchten Zeichen. Solltest also nach diesen Mustern suchen und selber splitten. Schau auch mal bei Pattern und Matcher vorbei.

 

[eRaaaa]

BTW: Wenn Du mit sowas ein split ansetzt, verschwinden die gematchten Zeichen. Solltest also nach diesen Mustern suchen und selber splitten. Schau auch mal bei Pattern und Matcher vorbei.

Dafür gibt es ja so etwas wie [c](?<=X)[/c]

 

[timbeau]

Ich kenne dein Problem, wir arbeiten ebenfalls an Satz-Splittern und das ist absolut nicht trivial.

Zu beachten wären z.B. folgende Punkte:

- . gefolgt von Leerzeichen gefolgt von Kleinbuchstabe ist sehr wahrscheinlich kein Satz.
- Abkürzungen die von einem Punkt gefolgt werden und dann innerhalb der nächsten 1 - X Wörter wieder ein Punkt kommt sind ebenfalls mit höherer Wahrscheinlichkeit kein Satzende

Bsp: Dies ist der 3. Januar und es lag kein Schnee.

Gegenbsp: Wettkampf: "Ich war 1. Rolf 2., Ben 3."

wobei der letzte Punkt im deutschen auch als Satzende zählt.

 

[Empire Phoenix]

Willkommen in der welt der nicht komplett Lösbaren Probleme. Faktisch müsstest du eine Grammatik Analyse machen um rauszufinden an welcher Stelle ein Satz endet. Dazu ein Großes Abkürzungswörterbuch und wohl wenn es sich um ein Realen einsatzzweck handelt eine Rechtschreibkorrektur + eine Kontextanalyse. Zumindest sollte damit klar sein warum die Übersetzer Programme alle mehr oder weniger nutzlos sind bei Sätzen.

 

[critak]

Zunächst einmal vielen Dank !
Der regulären Ausdruck von turing hat mir ein wenig weiter geholfen. (besonders der Tipp, dass split die Zeichen schluckt )

Aber ihr habt Recht vll ist das Problem zu komplex.
Mit RegExpr kann mal also nur einen "nähr Lösung" erreichen.
Naja für meine Zwecke reichts halbwegs.
Ich werd noch gängige Abkürzungen wie "etc. oder z.B." extra rausfiltern.
Aber bei solchen Sätzen seh ich schwarz: :shock:

Die richtige Antwort auf die 29. Frage lautete 29.

;-) Naja die kommen auch nicht sooooo oft vor.