如何调整正则表达式以正确匹配含数字/缩写的完整句子？

核心思路 #

要避免把数字后句号、常见缩写后的句号识别为句子结尾，关键是在匹配句尾标点前，先排除这些特殊的点——让正则知道这些点不是句子的结束标记，而是内容的一部分。

针对德语场景的调整后正则 #

从你的示例（Dr. Schiwago、1. November）来看是德语语境，用这个正则可以解决问题：

[A-Z][^.!?]*(?:(?:\d\.)|(?:Dr\.|Hr\.|Fr\.|Prof\.|Dr\.Ing\.)[^.!?]*)*[.?!]

正则拆解 #

• [A-Z]：匹配句子开头的大写字母（德语句子首字母默认大写）
• [^.!?]*：匹配句尾标点前的任意非标点字符
• (?:...)：非捕获组，用来处理特殊点的情况，不生成额外捕获结果：
  • (?:\d\.)：匹配数字后跟句号的结构（比如1.、24.）
  • (?:Dr\.|Hr\.|Fr\.|Prof\.|Dr\.Ing\.)：列出德语里常见的带点缩写，你可以根据实际需求添加更多（比如M\.Sc\.这类学术缩写）
  • [^.!?]*：匹配特殊点之后的内容，直到遇到真正的句尾标点
• [.?!]：匹配句子真正的结尾标点

扩展适配 #

如果是英语或其他语言，只需要替换缩写列表即可。比如英语场景可以把缩写部分改成Mr\.|Mrs\.|Ms\.|Dr\.|Prof\.。

要是遇到更复杂的场景（比如带括号的缩写、嵌套缩写），可以进一步扩展正则的规则，但上面的版本已经能覆盖大多数日常使用场景。

测试验证 #

• 输入句子：Er kam am 1. November.
  匹配结果：完整提取Er kam am 1. November.，不会拆分成两句
• 输入句子：Dr. Schiwago.
  匹配结果：完整提取Dr. Schiwago.，不会拆分成两句

内容的提问来源于stack exchange，提问作者user3392296