对“abc-def”使用扫描仪的分隔符功能答案

【问题标题】：use of delimiter function from scanner for "abc-def"对“abc-def”使用扫描仪的分隔符功能
【发布时间】：2009-04-15 09:11:49
【问题描述】：

我目前正在尝试过滤包含用“-”分隔的单词的文本文件。我要数字数。

scanner.useDelimiter(("[.,:;()?!\" \t\n\r]+"));

简单的问题是：包含“-”的单词将被分开并计为两个单词。所以只是用 \- 转义不是首选的解决方案。

如何更改分隔符表达式，以便保留“foo-bar”之类的词，而仅过滤掉“-”并忽略？

谢谢 ;)

【问题讨论】：

这个不太清楚，能不能放一些你想要什么不想要什么的样本？
@chburd：我认为他希望“一二三四”是三个词。

标签： java regex java.util.scanner text-formatting

【解决方案1】：

好的，我在这里猜你的问题：你的意思是你有一个包含一些“真实”散文的文本文件，即实际上有意义的句子，用标点符号等分隔，对吧？

例子：

据我们所知，这种情况得到了改善，因为我们最信任的盟友 Vorgons 继续举办他们的诗歌大满贯比赛；敌人几乎没有动机去干涉，即使他们的 Mute-O-Matic 设备也是如此。

因此，您需要的分隔符可以是任意数量的空格和/或标点符号（您已经用显示的正则表达式涵盖了这些），或者是每边至少被一个空格包围的连字符. “或”的正则表达式字符是“|”。在许多正则表达式实现中，空白字符类（空格、制表符和换行符）都有一个快捷方式：“\s”。

"[.,:;()?!\"\s]+|\s+-\s+"

【讨论】：

【解决方案2】：

如果可能，请尝试使用预定义的类...使正则表达式更易于阅读。有关选项，请参阅 java.util.regex.Pattern。

也许这就是你要找的东西：

string.split("\\s+(\\W*\\s)?"

读取：匹配 1 个或多个空白字符，可选地后跟零个或多个非单词字符和一个空白字符。

【讨论】：

我还应该指出，正则表达式模式需要双重转义，否则编译器会抱怨 \foo 不是有效的字符串字符。

【解决方案3】：

这不是很简单。要尝试的一件事是 {current-delimeter-chars}{zero-or-more-hyphens}{zero-or-more-current-delimeter-chars-or-hyphen}。

忽略扫描仪返回的完全由连字符组成的单词可能更容易

【讨论】：

【解决方案4】：

Scanner scanner = new Scanner("one   two2  -   (three) four-five - ,....|");
scanner.useDelimiter("(\\B+-\\B+|[.,:;()?!\" \t|])+");

while (scanner.hasNext()) {
    System.out.println(scanner.next("\\w+(-\\w+)*"));
}

注意

next(String) 方法断言你只得到单词，因为原来的 useDelimiter() 方法错过了“|”

注意

您已使用正则表达式“\r\n|\n”作为行终止符。 java.util.regex.Pattern 的 JavaDocs 显示了其他可能的行终止符，因此更完整的检查将使用表达式 "\r\n|[\r\n\u2028\u2029\u0085]"

【讨论】：

\B 是零宽度断言；它匹配不是单词边界的位置。它不消耗任何字符，因此添加“+”或任何其他量词是没有意义的。 Java 只是忽略了量词，但其他一些正则表达式风格将其视为语法错误。
另外，OP 没有使用“\r\n|\n”。他根本对行分隔符不感兴趣。他只是将最常见的空白字符与字符类中的标点字符匹配（但他应该使用“\s”，就像@Svante 所做的那样）。
他在 useDelimiter() 中使用了 \r\n，顺便说一句，感谢您的第一次澄清！ :)

【解决方案5】：

这应该很简单：[^\\w-]\\W*|-\\W+

当然，如果是散文，并且您想排除 下划线：
[^\\p{Alnum}-]\\P{Alnum}*|-\\P{Alnum}+
或者如果您不希望使用数字：
[^\\p{Alpha}-]\\P{Alpha}*|-\\P{Alpha}+

编辑：这些是更简单的形式。请记住完整的解决方案，它将处理行首和行尾的破折号将遵循此模式。 (?:^|[^\\w-])\\W*|-(?:\\W+|$)

【讨论】：