Java：使用未知字符拆分句子？答案

【问题标题】：Java : Split Sentence using unknown character?Java：使用未知字符拆分句子？
【发布时间】：2015-06-18 08:57:18
【问题描述】：

我知道，很多人都问过关于拆分句子的问题。但是我的问题略有不同。我在字符串数据中得到了一些未知字符（对我来说未知，看起来像制表符），我正在尝试将其用作分割的分隔符。

原文为：（*尝试选择空格部分，可能会看到效果）

总统简介总统简介总统宣誓就职总统的资产致辞致辞外国访问新闻稿画廊照片画廊视频库 Rashtrapati Bhavan 全景

我在想那个空格部分可能是制表符。但是我错了。我尝试与tab匹配但没有效果。

然后我在 Notepad ++ 中打开了这个字符串，并将 true 设置为 显示所有字符。在那里我找到了这个角色。请参考下图。

在上图中，可以清楚地看到橙色的箭头符号（“----->”），这是哪个符号？它的宽度不固定。那么如何拆分一些句子呢？有人遇到这个问题吗？

【问题讨论】：

【解决方案1】：

不知不觉我得到了答案。上图中的空格或箭头是nbsp; Html Entity。这就是为什么我无法打破这句话。上面显示的输出来自我试图点击 html url 并提取 html 页面数据的 Tika 解析器。最后把它拆成句子。

【讨论】：

【解决方案2】：

在这种情况下，我通常在十六进制编辑器中打开文件并检查确切的字符代码，无论它是什么。但是，如果您只想按任何未知字符进行拆分，则可以使用 [^...] 模式。下面是一个例子，如何用任何非字母数字或空格的字符来分割字符串：

String[] fields = inputStr.split("[^\\w ]");

【讨论】：

【解决方案3】：

您可能希望将部分文本转换为 unicode 转义符，以便观察代码点。

一旦您确定了哪个代码点对应于您要查找的空白字符，您可以在 split 调用中使用它，作为模式的一部分，使用以下习惯用法：@987654323 @。

引用docs：

\xhh 十六进制值为0xhh的字符

\uhhhh 十六进制值为0xhhhh的字符

\x{h...h} 十六进制值为 0xh...h 的字符（Character.MIN_CODE_POINT

【讨论】：