如何基于SRX将英文文本切分成句（一）
在之前的帖子中我们介绍过读懂翻译记忆库文件（TMX）所需的XML和DTD基础知识和使用Tmxmall的文档解析API来进行多种类型文档的断句，以及如何基于TMX来制作翻译记忆库（如何制作一个简易的大会报告双语检索工具）。
同样是基于XML技术的SRX却一直没有介绍过，其全称是“Segmentation Rules eXchange”，可译为“断句规则交换”。
简单来说就是：开发计算机辅助翻译工具的厂商约定都按照SRX标准来存储和读取文本断句规则，这些断句规则存储在“.srx”格式的文件中。
有了断句规则，我们就可以轻松的将一篇文章切分成一个个的句段（Segment），而计算机辅助翻译工具最喜欢的就是这种类型的待译原文呈现形式。
写这篇文章的目的就是为大家介绍如何基于SRX将英文文本切分成一个个的句子。
一、“.srx”格式的文件长啥样？
请看下面这个示例：
<?xml version="1.0"?><srx version="2.0" xmlns="http://www.lisa.org/srx20" xsi:schemaLocation="http://www.lisa.org/srx20 srx20.xsd" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"> <header segmentsubflows="yes" cascade="yes"> <formathandle type="start" include="no"/> <formathandle type="end" include="yes"/> <formathandle type="isolated" include="yes"/> </header> <body> <languagerules> <languagerule languagerulename="Default"> <!-- Common rules for most languages --> <rule break="no"> <beforebreak>^\s*[0-9]+\.</beforebreak> <afterbreak>\s</afterbreak> </rule> <rule break="yes"> <afterbreak>\n</afterbreak> </rule> <rule break="yes"> <beforebreak>[\.\?!]+</beforebreak> <afterbreak>\s</afterbreak> </rule> </languagerule> <languagerule languagerulename="English"> <!-- Some English abbreviations --> <rule break="no"> <beforebreak>\s[Ee][Tt][Cc]\.</beforebreak> <afterbreak>\s[a-z]</afterbreak> </rule> <rule break="no"> <beforebreak>\sMr\.</beforebreak> <afterbreak>\s</afterbreak> </rule> <rule break="no"> <beforebreak>\sU\.K\.</beforebreak> <afterbreak>\s</afterbreak> </rule> </languagerule> <languagerule languagerulename="French"> <!-- Some French abbreviations --> <rule break="no"> <beforebreak>\s[Mm]lle\.</beforebreak> <afterbreak>\s</afterbreak> </rule> <rule break="no"> <beforebreak>\s[Mm]lles\.</beforebreak> <afterbreak>\s</afterbreak> </rule> <rule break="no"> <beforebreak>\s[Mm]me\.</beforebreak> <afterbreak>\s</afterbreak> </rule> <rule break="no"> <beforebreak>\s[Mm]mes\.</beforebreak> <afterbreak>\s</afterbreak> </rule> </languagerule> <languagerule languagerulename="Japanese"> <!-- Rules for breaking on Japanese punctuation \xff61: Halfwidth ideographic full stop \x3002: Ideographic full stop \xff0e: Fullwidth full stop \xff1f: Fullwidth question mark \xff01: Fullwidth exclamation mark --> <rule break="yes"> <beforebreak>[\xff61\x3002\xff0e\xff1f\xff01]+</beforebreak> <afterbreak></afterbreak> </rule> </languagerule> </languagerules> <maprules> <!-- List exceptions first --> <languagemap languagepattern="[Ee][Nn].*" languagerulename="English"/> <languagemap languagepattern="[Ff][Rr].*" languagerulename="French"/> <!-- Japanese breaking rules --> <languagemap languagepattern="[Jj][Aa].*" languagerulename="Japanese"/> <!-- Common breaking rules --> <languagemap languagepattern=".*" languagerulename="Default"/> </maprules> </body></srx>来源：
https://www.gala-global.org/srx-20-april-7-2008
如果你之前看过我录制的XML基础视频，看到这个样子的文件肯定就不陌生了，如果你没有看过而且不知道什么是XML，那么就可以关掉这个页面，先去看这篇帖子：读懂翻译记忆库文件（TMX）所需的XML和DTD基础知识。
二、SRX文件是如何存储断句规则的？
要想知道SRX文件是如何存储断句规则的，除了需要有XML基础知识外，更重要的是要掌握正则表达式的基础，我也同样录过一系列的视频：面向文科生的正则表达式基础视频教程。很抱歉，你可能又要关掉这个页面，去补一下正则表达式的基础知识了。
在SRX文件中，你会看到三个非常重要的元素：<rule>元素、<beforebreak>元素和<afterbreak>元素。它们以这样的形式一同出现：
<rule break="yes"> <beforebreak>[\.\?!]+</beforebreak> <afterbreak>\s</afterbreak></rule>在上面的XML代码中，一个<rule>元素中包含了一条断句规则，这个断句规则分为两部分，首先用<beforebreak>元素定义了“断点”前是什么，然后用<afterbreak>元素定义了“断点”后是什么。
大家需要特别注意“断点”这个概念，以下面这两个句子为例：
Good morning! Welcome to BLCU.
如果我们希望将这段话切分成两句话，我们肯定会选择将其分为“Good morning! ”和“Welcome to BLCU.”
所有要从惊叹号后面进行断句：
Good morning! | Welcome to BLCU.
上面红色的位置就是所谓的“断点”，对应的英文即“Break”。如果我们想让计算机来断句，那么就得告诉计算机断点前是什么，断点后是什么。在上面的例子中，断点前是个惊叹号，断点后是一个空格。
如果我们想用正则表达式来表示惊叹号，直接写“!”就可以。但除了惊叹号之外，我们也可以用问号“?”、句号“.”，而且有时一个句子后面会有好多种情况，比如：
Hi!
What?!
Yes!
Thanks.
No!!!
所以我们用这样一个正则表达式就可以覆盖以上几种情况：[\.\?!]+
\. 表示的是 .
\? 表示的是 ?
! 表示的是 !
[] 表示的是 集合
+ 表示的是 前面的表达式出现一次或多次
正是[]+ 这个正则表达式组合使得我们可以匹配多个符号同时出现的情况。
运行效果如下图：
至于空格，则可以使用正则表达式“\s”来表示。
最后需要再看的就是<rule>元素的“break”属性值，如果这个值是“yes”就表明要在这个断点将句子断开，如果是“no”就表明不断开。
了解上面这个断句规则的实现原理后，再来看这两段XML代码你就更了解断句规则是如何存储的了：
<rule break="yes"> <beforebreak>[\.\?!]+</beforebreak> <afterbreak>\s</afterbreak></rule><rule break="no"> <beforebreak>\sMr\.</beforebreak> <afterbreak>\s</afterbreak></rule>最初提出SRX标准的本地化专家们考虑到了非常多的断句规则，涉及不同的断句场景，涉及不同的语言，涉及断句规则如何扩充，涉及断句规则如何应用。SRX标准早在2004年便正式使用，现在通行的是2008年的第二个版本，发起者均是本地化行业标准协会（LISA, Localization Industry Stardards Association）。LISA推动了本地化行业非常重要的几个标准：TMX、TBX、SRX。但在2011年2月，该组织因资不抵债而关闭。如今全球化与本地化协会（GALA, Globalization and Localization Association）的官网上还可以看到这些标准的全文，这也是我们了解本地化行业标准的主要渠道。
三、如何通过代码来实现断句？
如果我们想用代码来实现断句，自然需要先知道原理。我们在这一系列文章中将依然以PHP作为实现断句的编程语言。
因为SRX中断句实现的主要路径是正则表达式，所以我们会介绍PHP中与正则表达式操作相关的函数：preg_replace()、preg_match()、preg_match_all()、explode()。
因为SRX是基于XML的，所以我会带着大家回顾之前的帖子中讲过的XML读取函数simplexml_load_file()。
配合PHP的数组知识、循环知识，我们就能够实现断句。
在后面的帖子中我们继续为大家介绍。