用正则表达式边缘事例问题检测段落中断

Question

我有一个很长的文本字符串，其中新行的格式很差。我想删除所有的换行符，除非换行符跟在.、?、!、:字符后面（这表示句子结束）。我也不想删除换行符，如果它后面紧跟着一个数字或另一个换行符-这将表明一章结束。我正在使用python re作为正则表达式

这是到目前为止我的正则表达式(?<!\?|\.|:|\n)\n(?![\d]|\n)

带有7个单元测试用例的正则表达式示例：https://regex101.com/r/nG1gU7/1118

我的测试在以下示例中失败：

First paragraph.  <-- note a trailing space(s) after the period
Second paragraph

我该如何解决这个问题

Answer 1

一种选择是在匹配?{}{}或换行符之一后，使用regex PyPi module和在lookback中匹配不带换行符的可选空白字符

您可以使用替换|缩短为使用列出所有字符的character class

(?<![?.:\n\r][^\S\r\n]*)\r?\n(?![\d\r\n])

Regex demo（选择JavaScript引擎作为示例）

Answer 2

通过对上述文本的研究，我们可以得出结论，实际的错误格式化是由于存在大量空格造成的。 因此，它可以通过用一个类似于\1 \2的空格来替代单词/字母之间间隔的每个块来处理

re.sub(r'([a-zA-Z])\s+([a-zA-Z])','\1 \2',Text)

根据以下链接：https://regex101.com/r/feRwne/1

最后，将结果复制并粘贴到word文档中，以确保结果是否可接受