如何修改正则表达式以提取含Figure的完整句子（含小数与参考文献）

问题根源 #

原正则((?<=^|\s)[A-Za-z0-9][^!?.]*(Figure)[^.]*(?=\.|\!|))的缺陷在于：

• [^!?.]会排除所有句末标点，同时也把句子中的括号、小数点（如0.0001）这类合法字符当成分隔符，导致匹配提前中断
• [^.]同样限制了匹配范围，截断了包含括号的参考文献内容

修改后的正则表达式 #

(?<=^|(?<=[.!?]\s))[A-Z].*?(Figure.*?)(?=[.!?]|$)

规则解析 #

• (?<=^|(?<=[.!?]\s))：正向预查，确保匹配起点是文本开头，或者句末标点（.!?）加空格之后，精准定位句子起始位置
• [A-Z]：匹配英文句子开头的大写字母，符合学术文本的句子格式
• .*?：非贪婪模式匹配任意字符，避免过度匹配到下一个句子
• (Figure.*?)：精准捕获包含Figure的片段，非贪婪模式保证停在当前句的句末标点前
• (?=[.!?]|$)：正向预查，确保匹配终点是句末标点（.!?）或者文本结尾，完整覆盖整句范围

测试效果 #

针对示例句子：

This effect (Smith et al., 2008) was seen in 0.0001% of samples (Figure 1b).

修改后的正则会完整提取：
This effect (Smith et al., 2008) was seen in 0.0001% of samples (Figure 1b)

额外说明 #

如果文本中存在带句号的缩写（如Mr.），可能会触发误判，此时可以针对性补充排除规则（比如(?<!Mr|Ms|Dr)\.），但学术场景下包含Figure的句子通常句末标点明确，基础版本足以覆盖大多数需求。

内容的提问来源于stack exchange，提问作者Jonathan