java正则表达式棘手的模式

Question

我被一个正则表达式困住了一段时间：

• 用这个分割我的句子：“[\W+]”

• 但如果它找到这样的词：“aaa-aa”（不是“aaa - aa”或“aaa--aaa-aa”），则该词不是拆分，而是整个词。

  基本上，我想为每个单词拆分一个句子，但还要考虑“aaa-aa”是一个单词。我通过创建两个单独的函数成功地做到了这一点，一个用于与 \w 分割，另一个用于查找诸如“aaa-aa”之类的单词。最后，我将两者相加，并减去每个复合词。

  例如，句子：

  “你好，我叫理查德”

  首先我收集{你好，我的名字，是，理查德} 然后我收集{我的名字} 然后我将 {my-name} 添加到 {Hello, my, name, is, Richard} 然后我在这里取出 {my} 和 {name} {Hello, my, name, is, Richard}。 结果：{你好，我的名字，是理查德}

  这种方法可以满足我的需要，但是对于解析大文件，这变得太重了，因为对于每个句子都需要太多的副本。所以我的问题是，我可以做些什么来将所有内容都包含在一个模式中？喜欢：

  "使用这种模式 "[\W+] 分割文本，但是如果你找到一个像 "aaa-aa" 这样的词，请认为它是一个词而不是两个词。

Answer 1

如果您想使用 split() 而不是显式匹配您感兴趣的单词，以下应该做您想做的事情：[\s-]{2,}|\s 要打破它，您首先拆分两个或多个空格和/或连字符 - 所以单个 '-' 将不匹配，所以 'one-two' 将被单独留下，但类似 ​​'one--two'、'one - two' 甚至 'one - ---- - two' 将是分为“一”和“二”。这仍然使单个空格的“正常”情况 - “一二” - 不匹配，因此我们添加一个或（'|'），后跟一个空格（\s）。请注意，备选方案的顺序很重要 - 由“|”分隔的 RE 子表达式从左到右进行评估，因此我们需要首先放置空格和连字符的替代方案。如果我们反其道而行之，当出现“one -two”之类的内容时，我们会匹配第一个空格并返回“one”、“-two”。

如果您想以交互方式使用 Java RE，我完全可以推荐 http://myregexp.com/signedJar.html，它允许您编辑 RE 并在编辑 RE 时查看它与示例字符串的匹配情况。

Answer 2

为什么不使用模式\\s+？这完全符合您的要求，没有任何技巧：按由空格分隔的单词分割文本。

Answer 3

你的描述不够清楚，为什么不用空格分开呢？

Answer 4

我不确定这种模式是否可行，因为我没有 Java 开发工具，不过你可以尝试一下，它使用字符类减法，据我所知，它仅在 Java 正则表达式中受支持：

[\W&&[^-]]+

如果字符是[\W]和[^-]则表示匹配字符，即字符是[\W]而不是[-]。

Answer 5

与previous question 中的正则表达式几乎相同：

String sentence = "Hello my-name is Richard";
Pattern pattern = Pattern.compile("(?<!\\w)\\w+(-\\w+)?(?!\\w)");
Matcher matcher = pattern.matcher(sentence);
while (matcher.find()) {
    System.out.println(matcher.group());
}

刚刚添加了选项(...)? 也可以匹配非炒作词。