编写可识别大小写错误的PCRE正则表达式求助

问题描述 #

测试文本：

This is a Sentence which contains
Some capitalization errors.

目前使用的正则：

(?<![.!?]\s)(?<!^)(?<!\sI\s)(?!I['’][a-z])(?!\b(?:Dr|Mr|Mrs)\.[\s\r\n])\b(?!I\b)[A-Z]\w*

这个正则能匹配文本里的Sentence，也能正确避开：

• 单独的I
• I'开头的缩写（比如I'm）
• Dr.、Mr.、Mrs.这类称谓后的大写单词

但它匹配不到Some，原因是(?<!^)断言排除了行首的单词，而换行后的Some处于新行的开头，被这个断言过滤掉了。

优化后的PCRE正则 #

下面的正则符合PCRE规范，解决了换行后单词匹配的问题，同时保留所有原有的排除逻辑：

(?<![.!?]\s)(?<!^|\n)(?<!\sI\s)(?!I['’][a-z])(?!\b(?:Dr|Mr|Mrs)\.[\s\r\n])\b(?!I\b)[A-Z]\w*

核心调整 #

把原正则里的(?<!^)改成(?<!^|\n)——这个修改允许匹配换行后的行首大写单词，同时依然排除整个文档开头的单词（若需匹配文档开头单词，可再调整该断言）。

如果需要拆分两个正则用于文档扫描：

1. 匹配行内非句首的目标单词（保留原正则）
2. 匹配换行后的目标单词：

(?<=\n)(?<!\n[.!?]\s)(?!I['’][a-z])(?!\b(?:Dr|Mr|Mrs)\.[\s\r\n])\b(?!I\b)(?!\sI\s)[A-Z]\w*

验证结果 #

调整后的正则可以同时匹配Sentence和Some，不会误匹配需要避开的内容，也没有PCRE的可变宽度断言错误。

内容的提问来源于stack exchange，提问作者Stan Duncan