带有符号的拉丁正则表达式

Question

我需要拆分文本并仅获取单词、数字和带连字符的组合词。我还需要获取拉丁词，然后我使用了\p{L}，它给了我 é、ú ü ã 等等。例子是：

String myText = "Some latin text with symbols, ? 987 (A la pointe sud-est de l'île se dresse la cathédrale Notre-Dame qui fut lors de son achèvement en 1330 l'une des plus grandes cathédrales d'occident) : ! @ # $ % ^& * ( ) + - _ #$% "  ' : ; > < / \  | ,  here some is wrong… * + () e -"

Pattern pattern = Pattern.compile("[^\\p{L}+(\\-\\p{L}+)*\\d]+");
String words[] = pattern.split( myText );

这个正则表达式有什么问题？为什么它匹配 "("、"+"、"-"、"*" 和 "|" 等符号？

一些结果是：

dresse     // OK
sud-est    // OK
occident)  // WRONG
987        // OK
()         // WRONG
(a         // WRONG
*          // WRONG
-          // WRONG
+          // WRONG
(          // WRONG
|          // WRONG

正则表达式的解释是：

[^\p{L}+(\-\p{L}+)*\d]+

 * Word separator will be:
 *     [^  ...  ]  No sequence in:
 *     \p{L}+        Any latin letter
 *     (\-\p{L}+)*   Optionally hyphenated
 *     \d            or numbers
 *     [ ... ]+      once or more.

Answer 1

如果我对您的要求的理解是正确的，这个正则表达式将符合您的要求：

"\\p{IsLatin}+(?:-\\p{IsLatin}+)*|\\d+"

它将匹配：

• Unicode Latin script 字符的连续序列。我将其限制为拉丁文，因为\p{L} 将匹配 any 脚本中的字母。如果您的 Java 版本不支持该语法，请将 \\p{IsLatin} 更改为 \\pL。
• 或几个这样的序列，连字符
• 或连续的十进制数字序列 (0-9)

上面的正则表达式是通过调用Pattern.compile来使用的，调用matcher(String input)得到一个Matcher对象，并使用循环查找匹配。

Pattern pattern = Pattern.compile("\\p{IsLatin}+(?:-\\p{IsLatin}+)*|\\d+");
Matcher matcher = pattern.matcher(inputString);

while (matcher.find()) {
    System.out.println(matcher.group());
}

如果你想允许带有撇号的单词'：

"\\p{IsLatin}+(?:['\\-]\\p{IsLatin}+)*|\\d+"

我还在字符类['\\-] 中转义-，以防您想添加更多内容。实际上- 不需要转义，如果它是字符类中的第一个或最后一个，但为了安全起见，我还是转义了它。

Answer 2

如果字符类的左括号后跟^，则该类中列出的字符是不允许的。因此，您的正则表达式允许 除 Unicode 字母、+、(、-、)、* 和数字出现一次或多次之外的任何内容。

请注意，+、(、)、* 等字符在字符类中没有任何特殊含义。

pattern.split 的作用是将字符串拆分为匹配正则表达式的模式。您的正则表达式匹配空格，因此每次出现一个或多个空格时都会发生拆分。所以结果会是这样。

例如考虑这个

Pattern pattern = Pattern.compile("a");
    for (String s : pattern.split("sda  a  f  g")) {
        System.out.println("==>"+s);
    }

输出将是

==>sd

==>

==> fg

Answer 3

带有[] 的正则表达式集描述只能包含字母、类（\p{...}）、序列（例如a-z）和补码符号（^）。您必须将您正在使用的其他魔法字符 (+*()) 放在 [ ] 块之外。