计算句子中单词的正则表达式答案

【问题标题】：Regular expression for counting words in a sentence计算句子中单词的正则表达式
【发布时间】：2015-09-01 04:40:10
【问题描述】：

public static int getWordCount(String sentence) {
    return sentence.split("(([a-zA-Z0-9]([-][_])*[a-zA-Z0-9])+)", -1).length
         + sentence.replaceAll("([[a-z][A-Z][0-9][\\W][-][_]]*)", "").length() - 1;
}

我的目的是计算一个句子中的单词数。该函数的输入是冗长的句子。它可能有 255 个单词。

单词之间应使用连字符或下划线
函数应该只计算有效的单词意味着不应该计算特殊字符，例如。 &&&& 或 #### 不应算作一个单词。

上面的正则表达式工作正常，但是当连字符或下划线出现在单词之间时，例如：合作，返回为2的计数应该是1。有人可以帮忙吗？

【问题讨论】：

哇，这是迄今为止我见过的最糟糕的串联之一。
元符号 \w 有什么问题？
你从哪里得到这个正则表达式？
@sharonbn \w 与 hypen 不匹配，但 [-\w] 当然可以。或者在上述(\w+(-?\w+)*) 或类似情况下。
拆分是一项相当昂贵的操作。

标签： java regex

【解决方案1】：

不要使用 .split 和 .replaceAll 这两个非常昂贵的操作，请使用内存使用量恒定的方法。

根据您的规范，您似乎正在寻找以下正则表达式：

[\w-]+

接下来可以使用this approach来统计匹配数：

public static int getWordCount(String sentence) {
    Pattern pattern = Pattern.compile("[\\w-]+");
    Matcher  matcher = pattern.matcher(sentence);
    int count = 0;
    while (matcher.find())
        count++;
    return count;
}

online jDoodle demo.

这种方法适用于（更多）常量内存：拆分时，程序构造一个数组，这基本上是无用的，因为你从不检查数组的内容。

如果您不希望单词以连字符开头或结尾，您可以使用以下正则表达式：

\w+([-]\w+)*

【讨论】：

Pshemo，谢谢你，你的表达对我来说很好

【解决方案2】：

这部分([-][_])*是错误的。符号[xyz] 表示“括号内的任何一个字符”（参见http://www.regular-expressions.info/charclass.html）。如此有效，您可以按顺序准确地允许字符 - 和准确地字符 _。

修复您的组使其工作：

[a-zA-Z0-9]+([-_][a-zA-Z0-9]+)*

并且可以使用\w进一步简化为

\w+(-\w+)*

因为\w 匹配0..9、A..Z、a..z 和_ (http://www.regular-expressions.info/shorthand.html)，所以您只需添加-。

【讨论】：

【解决方案3】：

如果你可以使用 java 8：

long wordCount = Arrays.stream(sentence.split(" ")) //split the sentence into words   
.filter(s -> s.matches("[\\w-]+")) //filter only matching words
.count();

【讨论】：