如何修改正则表达式区分句末句号与缩写句号以拆分文本

我有一个包含文本内容的.xlsx文件，希望编写Java代码将每个单元格内容输出到独立的.txt文件中，且每个句子在输出文件中单独占一行（原.xlsx中句子并未换行）。
原本按句号拆分字符串很简单，但文本中包含大量缩写，因此尝试用正则表达式区分句末句号和缩写句号，不过当前正则表达式失效，完全无法拆分句子。此外，因源文本语言无可用的分句识别库，无法借助第三方库实现需求。请问如何修改正则表达式，成功区分句末句号与缩写句号，并按句末句号拆分文本？

原有实现代码：

String[] sentences = combinedText.split("(?<=\\.)\\s+(?=[A-ZĄČĘĖĮŠŲŪ])");
StringBuilder cleanedText = new StringBuilder();
for (String sentence : sentences) {
    String cleanedSentence = sentence.replaceAll("[^\\p{L}\\s.ąčęėįšųūĄČĘĖĮŠŲŪ]", "").trim();
    if (!cleanedSentence.isEmpty()) {
        cleanedText.append(cleanedSentence).append("\n");
    }
}

你的正则失效原因是未区分短单词缩写（通常是1-2个字母）和完整句子结尾的句号。可以通过负向断言过滤缩写场景，修改后的代码如下：

// 修改拆分正则，排除1-2个字母缩写后的句号
String[] sentences = combinedText.split("(?<=\\.)\\s+(?=[A-ZĄČĘĖĮŠŲŪ])(?<!\\b\\p{L}\\.|\\b\\p{L}{2}\\.)");
StringBuilder cleanedText = new StringBuilder();
for (String sentence : sentences) {
    String cleanedSentence = sentence.replaceAll("[^\\p{L}\\s.ąčęėįšųūĄČĘĖĮŠŲŪ]", "").trim();
    if (!cleanedSentence.isEmpty()) {
        cleanedText.append(cleanedSentence).append("\n");
    }
}

正则逻辑说明 #

• (?<=\.)\s+(?=[A-ZĄČĘĖĮŠŲŪ])：保留原逻辑，匹配句号后接空格+大写字母的位置
• (?<!\\b\\p{L}\\.|\\b\\p{L}{2}\\.)：新增负向断言，排除两种缩写情况：
  1. \\b\\p{L}\\.：单个字母组成的单词后接句号（如立陶宛语中的K.）
  2. \\b\\p{L}{2}\\.)：两个字母组成的单词后接句号（如Pr.）

按需调整 #

如果文本中存在3个字母的常见缩写，可扩展负向断言，添加|\\b\\p{L}{3}\\.)即可。这种模式匹配无法覆盖所有极端缩写，但在无第三方分句库的前提下是最可行的方案，建议先用样本文本测试，根据实际缩写情况调整字母长度限制。

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