将文本主体拆分为句子，但保留标点符号？

Question

我正在尝试生成两个带有HTML标记的文本之间可读性强的类似维基百科的差异。我使用diff-lcs，第一步是将字符串（字符数组）分成句子数组，但保留它们的标点符号。

"I am a lion. Hear me roar! Where is my cub? Never mind, found him.".magic_split(/[.?!]/)
# => "I am a lion." "Hear me roar!" "Where is my cub?" "Never mind, found him."

这应该能解决问题。

"I am a lion. Hear me roar! Where is my cub? Never mind, found him.".gsub(/[.?!]/, '\1|').split('|')

除了gsub似乎无法插入字符.?!，它返回的是这个：

"I am a lion| Hear me roar| Where is my cub| Never mind, found him|"

什么是最简单的非破坏性分割方式？即保留用于进行分割的字符。

- Archonic

Answer 1

scan 应该能解决问题（将 strip 放在那里以去除尾随空格）。

s = "I am a lion. Hear me roar! Where is my cub? Never mind, found him."
s.scan(/[^\.!?]+[\.!?]/).map(&:strip) # => ["I am a lion.", "Hear me roar!", "Where is my cub?", "Never mind, found him."]

- Sergio Tulentsev

---

如果您想捕捉以“...”结尾的句子，您将如何编辑此内容？例如：“我是一只狮子。听我咆哮！我的幼崽在哪里？没关系，找到他了…” - michaelsking1993

我已经编辑成如下形式：text.scan(/[^\.!?]+[\.!?]+/).map(&:strip) 唯一的问题是如何捕获没有句号的最后一句话："我是一只狮子。听我咆哮！你叫什么名字？不要评判我"，会漏掉最后的"不要评判我"。 - michaelsking1993

工作解决方案：text.scan(/[^\.!?]+[\.!?]+|[^\.!?]+.\z/).map(&:strip)（可能有更优雅的方法，但这个是有效的）。输入：“我是一只狮子...听我咆哮！！你叫什么名字？不要评判我” --> 输出：["我是一只狮子...", "听我咆哮！！", "你叫什么名字？", "不要评判我"] - michaelsking1993

Answer 2

我认为应该是\0。

>> string = "I am a lion. Hear me roar! Where is my cub? Never mind, found him."
>> string.gsub(/[.?!]/, '\0|') 
   # "I am a lion.| Hear me roar!| Where is my cub?| Never mind, found him.|"

- jvnill