提取字符串中的第一个句子

你把 [a-z0-9][.?!] 如果您计划使用,则需要将其转换为非消耗性的前瞻模式 str_extract :

> str_extract(x, '.*?[a-z0-9][.?!](?= )')
[1] "Bali bombings: U.S. President George W. Bush amongst many others has condemned the perpetrators of the Bali car bombing of October 11."

看见 this regex demo .

细节

• .*? -除换行符以外的任何0+字符
• [a-z0-9] -ASCII小写字母或数字
• [.?!] -a . , ? 或 !
• (?= ) -后跟一个文本空格。

或者,您可以使用 sub :

sub("([a-z0-9][?!.])\\s.*", "\\1", x)

看见 this regex demo .

细节

• ([a-z0-9][?!.]) -第1组(参考 \1 从替换模式):ASCII小写字母或数字,然后是 ? , ! 或 .
• \s -空白
• .* -任意0个以上字符,尽可能多(直到字符串末尾)。

corpus 在确定句子边界时,对缩写有特殊处理:

library(corpus)       
text_split(x, "sentences")
#>   parent index text                                                                                                                           
#> 1 1          1 Bali bombings: U.S. President George W. Bush amongst many others #> has condemned the perpetrators of the Bali car bombing of Oct…
#> 2 1          2 The death toll has now risen to at least 187.  

还有一个有用的数据集,包含包括英语在内的多种语言的常用缩写。看见 corpus::abbreviations_en ,可用于消除句子边界的歧义。