Question

我正在开发用于文本处理的Web应用程序。我需要将字符串（文本）分成单词和符号，例如空格和其他字符（逗号，点，分号，例如）每个单词和每个符号我需要包装到html标记中。每个标记都必须具有id属性，该属性在文本中包含单词（符号）序号。此处理将在Java Servlet中起作用，这意味着性能很重要。处方文本可能包含3000 - 5000个单词。

以下是输入示例：

One two three, four five six seven eight nine.

以下是示例输出：

<span id="w1" class="word">One </span><span id="w2" class="space">&nbsp;</span><span id="w3" class="word">two</span><span id="w4" class="space">&nbsp;</span><span id="w5" class="word">three</span><span id="w6" class="sign">,</span><span id="w7" class="space">&nbsp;</span><span id="w8" class="word">four</span><span id="w9" class="space">&nbsp;</span><span id="w10" class="word">five</span><span id="w11" class="space">&nbsp;</span><span id="w12" class="word">six</span><span id="w13" class="space">&nbsp;</span><span id="w14" class="word">seven</span><span id="w15" class="space">&nbsp;</span><span id="w16" class="word">eight </span><span id="w17" class="space">&nbsp;</span><span id="w18" class="word">nine</span><span id="w19" class="sign">.</span>

感谢所有人的建议，我怎么做。

更新：下面的代码按非字母数字符号拆分字符串

text.split("[^a-zA-Z0-9]")

和这段代码：

text.split("\\b[a-zA-Z0-9]+\\b")

按字词拆分字符串，但我不明白如何将正则表达式组合成单词和非字母数字符号？

UPDATE2：

好像是答案：

val text = "Hello from Scala - regex  world!"
val pattern = "[^a-zA-Z0-9|а-яА-Я0-9]|\\b[a-zA-Z0-9|а-яА-Я0-9]+\\b".r
pattern.findAllIn(text).matchData foreach {
  m => println("'" + m.group(0) + "'")
}

“|”之后的模式部分签署它是西里尔模式：

a-zA-Z0-9

Answer 1

我不能给你完整的代码，但如果能让你开始......我建议：

通过将字符串与
匹配，将您的字符串“拆分”为您想要的字符组
```
/\b[a-zA-Z]+\b|[^a-zA-Z]/g
```
此正则表达式与\b[a-zA-Z]+\b的单词匹配，\b为单词边界，或[^a-zA-Z]任何其他非字母字符。你最终会得到一份比赛清单。
逐个浏览您的匹配项，通过递增ID并检查结果将结果包装到正确的标记中：
- 如果第一个字符是空格，则class="space"
- 如果第一个字符是字母，那么class="word"
- else class="sign"

小心，第一个正则表达式会将...计为三个单独的字符，并将123计为三个分开的符号。您可以使用

/\b[a-zA-Z]+\b|\b\d+\b|\.\.\.|[^a-zA-Z]/g

并根据需要添加尽可能多的特殊情况，您就明白了。

智能将大型文本拆分为单词和符号，如空格和其他字符

1 个答案: