JS正则拆分句子时U.S.等缩写的点被误判为句末分隔符如何解决？

正则调整方案 #

你遇到的问题核心是原有正则没有区分缩写用的点和句末点，我们可以通过负向后行断言过滤掉缩写场景的点，调整后的代码如下：

const substrings = transcript.split(/(?<![A-Z])[.!]+(?!\d)\s*|\n+\s*/);

规则说明

• 新增的(?<![A-Z])为负向后行断言，限定只有当. / !前面不是大写英文字母时，才会被判定为句末分隔符，完美适配U.S.这类大写字母+点组成的缩写场景，不会误拆分。
• 如果需要覆盖mr.、dr.这类小写缩写场景，可以将断言修改为(?<![a-zA-Z])，即可同时过滤大小写字母结尾的缩写点。

调整后运行你的测试文本，输出的结果就是完整的单句，不会在U.S.位置被错误拆分，也不会修改原始句子的内容，符合需求。

如果需要兼容不支持负向后行断言的旧JS环境，可以改用匹配所有句子的正向正则写法，通过match方法提取句子，示例如下：

const substrings = transcript.match(/(?:[A-Z][^.!]|[A-Z]\.[A-Z]\.)*[.!]?\s*(?=\n|$|[A-Z])/g).filter(Boolean);

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