从java中的文本文件中提取包含2个单词的句子

Question

我正在尝试从文本文件中提取包含 2 个单词的句子。我使用了正则表达式，如下面的代码所示。

File doc = new File("D:\\MyFile.txt");

BufferedReader br = null;

System.out.println("enter the regex pattern to be matched");
Scanner keyboard = new Scanner(System.in);
String regxpat = keyboard.nextLine();


  String line;
  br = new BufferedReader(new FileReader(doc));     
  Pattern p = Pattern.compile(regxpat, CASE_INSENSITIVE);



  while ((line = br.readLine()) != null) 
  {

    try
    {
        Matcher m = p.matcher(line);
        m.find();

        System.out.print(m.group().toString());

    }        
    catch (IllegalStateException e) 
    {
    }
    continue;

  }
//i tried regex= "(he)*([.&&[^\.]]*?)Milan(.*?)\."

如果文本是：

"...Thomas Edison is a scientist. He invented bulb. He was born in Milan, Ohio, and grew up in Port Huron, Michigan. He was the seventh and last child of Samuel Ogden Edison, Jr...."

• 我想要一个句子（句子边界是句号，后跟空格），即第 3 个句子（顺序不重要。任何包含这两个词的句子都需要）
• 我尝试了上面的正则表达式模式和许多其他模式
• 但它会提取“milan”之后的部分句子或从第一个“he”开始的 2 个句子
• 请建议使用正则表达式或 java 中的任何其他方法完成此任务的方法

（我正在提取两个实体之间的关系模式：在这种情况下，关系模式是“出生于”实体“edison”和“milan”。 我需要大量相关文本文件或网络文档中的上述句子[如爱迪生传记或“爱迪生米兰”上谷歌的前 500 个链接] 以进行进一步处理）

Answer 1

我的建议是不要指望正则表达式完成所有处理，而是一次处理文本。

我想要句子（句子边界是句号后跟空格）。

很好。使用字符串拆分方法获取句子。使用句号（句点）后跟一个或多个空格作为正则表达式。我将把这个正则表达式的构造留给你。

用“他”和“米兰”这两个词

很好。编写一个方法来输入单词并将它们添加到 List。

编写另一种方法来遍历您使用另一种拆分方法创建的字符串数组，将句子拆分为单词。同样，我将把这个正则表达式的构造留给你。

当您找到包含第一个单词的句子时，循环遍历单词 List，检查 List 中的单词是否在单词边界分割的句子中。如果你找到了所有的单词，你就找到了一个匹配的句子。如果没有找到所有单词，请继续下一句。

一旦你遍历了句子的分割字符串数组，你要么有一个句子，多于一个句子，要么没有句子包含你的单词列表。

Answer 2

请澄清：

• 您的语料库是否一致：所有“传记”的格式是否与语法相同？
• 如果是这样，您需要匹配什么模式，或者更好的是，您需要从匹配项中检索什么？例如，您是否需要“Edison”和“Milan”的键值对？还是……？

如果您的语料库不一致一致，那么正则表达式可能不是要走的路。 如果是这种情况，您可能想要使用字典等 - 可能需要一些艰苦的工作。