sostituire tutte le interruzioni di riga non precedono di un punto con un'espressione regolare?

Question

È possibile selezionare solo interruzioni di riga non precedute da un punto utilizzando le espressioni regolari? Sto modificando i file dei sottotitoli per gli studenti. Per rendere la versione stampata dead tree friendly, sto cercando di sostituire tutte le interruzioni di riga non precedute da un punto o punto interrogativo con uno spazio.

opzione 1
selezionare tutta la linea non rompe preceduta da un periodo o interrogativo regex [a-z]\n lavora per questo, ma poi, naturalmente, seleziona l'ultima lettera della parola prima della interruzione di riga. -> E 'possibile salvare in qualche modo e inserire l'ultima lettera della parola prima che l'interruzione di riga e inserire che, insieme con uno spazio utilizzando le espressioni regolari o devo scrivere uno script per questo (ad esempio PHP)

opzione 2
Selezionare solo interruzioni di riga precedute da un carattere. Ho provato a guardare dietro le quinte.

Mentre scrivevo questa domanda la soluzione mi ha colpito. Per selezionare un'interruzione di riga precedere da un carattere fare (?<=[a-z])\n e quindi sostituirlo con uno spazio.

Ho cercato overflow dello stack e non riuscivo a trovare veramente quello che stavo cercando. Spero di non offendere nessuno pubblicando la domanda e la soluzione allo stesso tempo. Potrebbe aiutare qualcun altro in futuro.

Answer 1

La sintassi può variare a seconda di ciò che si sta utilizzando per sostituire il testo (Java, Perl, PHP, sed, vi, ecc.).

In Java si potrebbe provare questo:

str.replaceAll("([^\\.!?])\r?\n", "$1 ").replaceAll(" +", " "); 

in Perl:

perl -p -e 's/([^\.!?])\n/\1 /g; s/ +/ /g;' file.txt 

si può anche leggere questa risposta a una domanda simile:

How can I replace a newline (\n) using sed?

Answer 2

Definiamo una interruzione di riga prima. In alcuni tipi di espressioni regex, Java 8/PHP (PCRE), Ruby (Onigmo), è possibile utilizzare una classe di caratteri stenografici \R corrispondente a qualsiasi stile di interruzione di riga. In Java 8 regex reference, \R is defined come:

\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029] 

Ora, si desidera trovare questo schema, se non è preceduto da . char. È necessario utilizzare uno sguardo negativo dietro, (?<!\.). Non riesce la corrispondenza una volta trovato uno . immediatamente a sinistra della posizione corrente.Quindi, ecco alcuni esempi di come rimuovere l'interruzione di riga non è preceduta con un punto in alcune lingue:

• PHP (demo): preg_replace('~(\.\R+)|\R+~', '$1', $s)
• Java 7 (demo): String rx_R = "(?:\\u000D\\u000A|[\\u000A\\u000B\\u000C\\u000D\\u0085\\u2028\\u2029])"; String res = s.replaceAll("(\\." + rx_R + ")|" + rx_R, "$1");
• Rubino (demo): s.gsub(/(\.\R+)|\R+/, '\1')
• C# (vedi demo): var rx_R = @"(?:\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])"; var res = Regex.Replace(txt, $@"(\.{rx_R})|{rx_R}", "$1");
• Python (sia 2.xe 3.x) (demo): rx_R = r'(?:\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])' e poi re.sub(r'(\.{0})|{0}'.format(rx_R), lambda x: x.group(1) if x.group(1) else '', s)
• JavaScript: non ha il supporto per un lookbehind, quindi, utilizzare un gruppo di cattura ([^.]|^) e backreference ($1 di riferimento dalla stringa di sostituzione) per mantenere il char diverso . prima di un'interruzione di linea:

var s = "Line1\u000D\u000A Line2\u000B Line3\u000C Line4\u0085 Line5\u2028 Line6\u2029 Line7"; 
 
var rx = /([^.]|^)(?:\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])/g; 
 
console.log(s.replace(rx, '$1'));