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，它对我执行以下操作：

• 用这个分割我的句子：“[\W+]”

• 但是如果它找到这样的单词：“aaa-aa”（不是“aaa - aa”或“aaa--aaa-aa”），该单词不是拆分的，而是整个单词。

  基本上，我想每个单词分割一个句子，但也考虑到“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，一个用于用 \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。

  例如这句话：

  “你好，我的名字是理查德”

  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种模式中？喜欢：

  “使用此模式“[\W+]”分割文本，但是如果您找到像“aaa-aa”这样的单词，请将其视为一个单词而不是两个单词。

Answer 1

如果您想使用 split() 而不是显式匹配您感兴趣的单词，则应执行以下操作： [\s-]{2,}|\s 要打破这一点向下，您首先拆分两个或多个空格和/或连字符 - 因此单个“-”将不匹配，因此“一二”将被单独保留，但类似于“一--二”、“一-二”甚至'一个------二”将被分成“一”和“二”。这仍然使单个空白的“正常”情况 - “一二” - 不匹配，因此我们添加一个或（'|'），后跟一个空白（\s）。请注意，替代项的顺序很重要 - RE 子表达式以“|”分隔从左到右评估，因此我们需要将空格和连字符替代放在第一位。如果我们反过来做，当遇到像“one -two”这样的东西时，我们会匹配第一个空白并返回“one”，“-two”。

如果您想以交互方式使用 Java RE，我强烈推荐 http://myregexp.com/signedJar.html 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+？这正是您想要的，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，但为什么不直接用空格分开呢？

Answer 4

我不确定这种模式是否有效，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，仅在Java正则表达式中支持：

[\W&&[^-]]+

它意味着匹配字符如果它们是[\W]和[^-]，则字符是[\W]而不是[-]。

Answer 5

与您的上一个问题几乎相同的正则表达式：

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(...)?也匹配非连字符的单词。