Question

我有一些文字;我想提取没有标点符号分隔的单词对。这是代码：

//n-grams
Pattern p = Pattern.compile("[a-z]+");
if (n == 2) {
    p = Pattern.compile("[a-z]+ [a-z]+");
}
if (n == 3) {
    p = Pattern.compile("[a-z]+ [a-z]+ [a-z]+");
}
Matcher m = p.matcher(text.toLowerCase());
ArrayList<String> result = new ArrayList<String>();

while (m.find()) {
    String temporary = m.group();
    System.out.println(temporary);

    result.add(temporary);
}

问题是它会跳过一些比赛。例如

“我的名字是詹姆斯”

，对于n = 3，必须匹配

“我的名字是”和“名字是詹姆斯”

，但它只匹配第一个。有办法解决这个问题吗？

Answer 1

您可以使用前瞻中的组来捕获它

(?=(\b[a-z]+\b \b[a-z]+\b \b[a-z]+\b))

这导致它捕获两组。所以在你的情况下它将是

Group1-＆GT; my name is

Group2-＆GT; name is james

Answer 2

正则表达式由正则表达式定义的模式从左到右应用于字符串，一旦在匹配中使用源字符，就无法重复使用。

例如，正则表达式“121”仅匹配“31212142121”两次“ 121 ___ 121”。

Answer 3

我倾向于使用find() Matcher方法的参数：

Matcher m = p.matcher(text);
int position = 0;
while (m.find(position)) { 
  String temporary = m.group();
  position = m.start();  
  System.out.println(position + ":" + temporary);
  position++;
}

因此，在每次迭代后，它会根据最后一个起始索引再次搜索。

希望有所帮助！

Java正则表达式跳过匹配

3 个答案: