Question

我的英语句子的单词是XML标记的，例如：

<XXX>word1</XXX> word2 word3 <YYY>word4 word5 word6</YYY> word7 word8 word9 word10 <ZZZ>word11 word12</ZZZ>.

正如句子所示（<XXX>，<YYY>，<ZZZ>），xml标签正是这三种可能性。任何这些标签内的字数都可以是无限的。

我需要在空格中拆分它们，忽略这些XML标记内的空格。代码如下：

String mySentence = "<XXX>word1</XXX> word2 word3 <YYY>word4 word5 word6</YYY> word7 word8 word9 word10 <ZZZ>word11 word12</ZZZ>.";
String[] mySentenceSplit = mySentence.split("someUnknownRegex");
for (int i = 0; i < mySentenceSplit.length; i++) {
    System.out.println(mySentenceSplit[i]);
}

特别是对于上面的例子，输出应该是：

mySentenceSplit[0] = <XXX>word1</XXX>
mySentenceSplit[1] = word2 
mySentenceSplit[2] = word3 
mySentenceSplit[3] = <YYY>word4 word5 word6</YYY>
mySentenceSplit[4] = word7 
mySentenceSplit[5] = word8 
mySentenceSplit[6] = word9 
mySentenceSplit[7] = word10
mySentenceSplit[8] = <ZZZ>word11 word12</ZZZ>.

我需要在“someUnknownRegex”中插入什么来实现这一目标？

Answer 1

使用捕获组和反向引用：

String sentence = "<XXX>word1</XXX> word2 word3 <YYY>word4 word5 word6</YYY> word7 word8 word9 word10 <ZZZ>word11 word12</ZZZ>.";
Pattern pattern = Pattern.compile("<(\\w+)[^>]*>.*?</\\1>\\.?|\\S+");
Matcher matcher = pattern.matcher(sentence);

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

输出：

<XXX>word1</XXX>
word2
word3
<YYY>word4 word5 word6</YYY>
word7
word8
word9
word10
<ZZZ>word11 word12</ZZZ>.

Answer 2

这是您想要的分割正则表达式：

String[] split = str.split(" +(?=[^<]*(<[^/]|$)");

Answer 3

kiltek，重新提出这个问题，因为它有一个简单的正则表达式解决方案，没有提到。（在为regex bounty quest进行一些研究时找到了您的问题。）

关于使用正则表达式解析xml的所有免责声明，这里有一个简单的正则表达式：

<.*?</[^>]*>|( )

交替的左侧匹配完整的xml标签。我们将忽略这些匹配。右侧匹配并捕获第1组的空格，我们知道它们是正确的空格，因为它们与左侧的表达式不匹配。

以下是工作代码（请参阅online demo）：

import java.util.*;
import java.io.*;
import java.util.regex.*;
import java.util.List;

class Program {
public static void main (String[] args) throws java.lang.Exception  {

String subject = "<XXX>word1</XXX> word2 word3 <YYY>word4 word5 word6</YYY> word7 word8 word9 word10 <ZZZ>word11 word12</ZZZ>";
Pattern regex = Pattern.compile("<.*?</[^>]*>|( )");
Matcher m = regex.matcher(subject);
StringBuffer b= new StringBuffer();
while (m.find()) {
    if(m.group(1) != null) m.appendReplacement(b, "SplitHere");
    else m.appendReplacement(b, m.group(0));
}
m.appendTail(b);
String replaced = b.toString();
String[] splits = replaced.split("SplitHere");
for (String split : splits) System.out.println(split);
} // end main
} // end Program

参考

除了xml中的空格外，java正则表达式在空白处拆分

3 个答案: