Question

我相信大家会从这个人那里得到一个好笑，但是对于我的生活，我找不到一个分隔符，它将指示一个新段落何时开始出现在一串文本中。字和行？容易腻，但段落似乎更难找到。我连续尝试了两个换行符，段落中断和换行符的Unicode表示，没有运气。

编辑：我为我原来问题的模糊性道歉。要回答一些问题，它是最初在Windows上创建的基本文本文件。我正在测试一些代码，用于使用RIM eclipse插件使用Blackberry JDE 4.5打开和分析它的内容。虽然文件的来源是windows（至少在可预见的未来）并且是基本文本，但我无法控制它们是如何创建的（它是第三方来源，我不能访问它的创建方式）

Answer 1

通常使用中没有这样的段落符号。

假设一行中有两个或多个换行符（带有可选的水平空格）表示段落中断，您可以逃脱。但是这个“规则”有很多例外。例如，当一个段落

被浮动图或
包含要点

然后继续...就像这个。对于那种事情，可能没有解决方案。

编辑 / @ Aiden的评论如下。（现在很明显，这与OP无关，但可能与通过Google等发现问题的其他人相关）

您可以考虑指定您的输入应该是（例如）Markdown语法，而不是尝试从文本中反向设计段落;即由StackOverflow支持。 Markdown Wiki包括许多语言的markdown解析器实现的链接，包括Java。

（这假设你可以控制你试图解析为段落的文本的输入格式，等等。）

Answer 2

有可能在换行时你需要寻找CR LF序列（\ r \ n） - 显然答案取决于文本格式。

Answer 3

纯文本文档中的段落通常由两个或多个行分隔符分隔。行分隔符可以是换行符（\n），回车符（\r）或回车符后跟换行符（\r\n）。这三种分隔符通常与操作系统相关联，但任何应用程序都可以使用任何类型的行分隔符自由编写文本。事实上，从不同来源（如网页）组装的文本可能包含两种或更多种分隔符。当您的应用读取文本时，无论它在哪个平台上运行，都应该始终检查所有三种行分隔符。

BufferedReader#readLine()这样做，但当然它一次只读一行。简单散文通常将作为表示段落的非空行的交替序列返回，并且空行代表它们之间的空格。但不要指望它;注意多个空行，并注意“空”行实际上可能包含空格（\u0020）和TAB（\u0009）等空格字符。

如果您选择不使用BufferedReader，则可能需要从头开始编写检测代码。 Java ME不包含正则表达式支持，因此split()和java.util.Scanner不可用;除非使用returnDelims选项，否则StringTokenizer不会区分单个分隔符和行中的多个分隔符。然后它一次返回一个字符的分隔符，因此您仍然需要编写自己的代码来确定您正在查看的分隔符类型（如果有）。

Answer 4

String lineSeparator = System.getProperty("line.separator");

这将返回平台的默认行分隔符。

因此，例如以下应该有效：

String[] paragraphs = text.split(lineSeparator);

Answer 5

我假设您有一个文本文件而不是像MS-Word或RTF这样的复杂文档。

文本文件中段落的概念没有明确定义。大多数情况下新段落将被以下事实识别：当您在文本编辑器中打开文档时，您将看到下一行开始的下一组文本。

有两个特殊字符即。新行（LF - '\n'）和回车（CR - '\r'）导致文本在下一行开始。下一行使用哪个字符取决于您使用的操作系统。此外，有时也使用两者的组合，如CRLF（'\r\n'）。

在java中，您可以使用System.getProperty("line.separator");确定用于分隔行/段落的字符或字符集。但这带来了新的问题。如果在MS Windows中创建文本文件然后在Unix中打开它会怎么样？在这种情况下，文本文件中的行seprator是windows的行，但是java在unix上运行。

我的建议是：

如果文本长度（docuemnt）为零，那么段落= 0。

如果文本长度（docuemnt）不为零，那么

将'\n'和'\r'视为行打破角色。
扫描上面换行符的文字字符。
任何连续的换行符任何顺序都应视为一个段落。
段数= 1 +（计数段落）

请注意，斯蒂芬指出的例外情况也适用于此。

public class ParagraphTest {

    public static void main(String[] args) {
        String document = 
                    "Hello world.\n" + 
                    "This is line 2.\n\r" + 
                    "Line 3 here.\r" + 
                    "Yet another line 4.\n\r\n\r" + 
                    "Few more lines 5.\r";
        printParaCount(document);
    }

    public static void printParaCount(String document) {
        String lineBreakCharacters = "\r\n";
        StringTokenizer st = new StringTokenizer(
                    document, lineBreakCharacters);
        System.out.println("ParaCount: " + st.countTokens());
    }

}

输出

ParaCount: 5

Answer 6

首先，您最好的选择是定义一个段落。无论是换行符，双换行符，还是换行符后面都有换行符。假设您无法控制输入并想要确定各种文本样本中的段落数，则可能存在任何这些情况。此外，它们可能在同一文档中用于相同的目的。因此需要进行一些分析，并记住它不会始终100％准确。

首先初始化各种可能的段落：

为 “\ r”
“\ n \ R”
“\ n” 个
System.getProperty（ “line.seperator”）

以及所有这些，但两次，以及所有那些带有额外制表符（'\ t'）的变体。

执行此操作的低效方法是将输入加载到字符串中，然后调用buffer.split().length以确定有多少段落。高效，可扩展的方式是使用流并检查输入，考虑段落的长度，并将这些段落丢弃在给定的“阈值”之下。一个更高级的算法甚至可能会在处理换行符的方式（例如几个非常短的行，或者几个很长的行）中遇到切换后切换它认为是段落的段落。

所有这一切都假设您正在处理没有分区标题等的无格式文本。它归结为询问特定文本中有多少段落的概念就像询问有多少周一年。它不完全是52，但它就在那里。

可以用什么字符来解析Java的段落？

6 个答案: