Question

我想在包含特定关键字的文本文件中获取句子。我尝试了很多但却无法获得包含关键字的正确句子....如果任何一个关键字与段落相匹配，我会有更多的关键字然后应该采取。例如：如果我的文本文件包含抢劫，抢劫等单词，则提取该句子。以下是我尝试过的代码。无论如何使用正则表达式来解决这个问题。任何帮助将不胜感激。

  BufferedReader br1 = new BufferedReader(new FileReader("/home/pgrms/Documents/test/one.txt"));
    String str="";

    while(br1 .ready()) 
    {
        str+=br1 .readLine() +"\n";

    }
Pattern re = Pattern.compile("[^.!?\\s][^.!?]*(?:[.!?](?!['\"]?\\s|$)[^.!?]*)*[.!?]?['\"]?(?=\\s|$)", Pattern.MULTILINE | Pattern.COMMENTS);
Matcher match = re.matcher(str);
String sentenceString="";
while (match .find())
{
    sentenceString=match.group(0);
    System.out.println(sentenceString);
}

Answer 1

以下是您拥有预定义关键字列表的示例：

import java.io.BufferedReader;
import java.io.FileReader;
import java.util.regex.*;
public class Tester {

    public static void main(String [] args){
        try {
            BufferedReader br1 = new BufferedReader(new FileReader("input"));
            String[] words = {"robbery","robbed", "robbers"};
            String word_re = words[0];   
            String str="";

            for (int i = 1; i < words.length; i++)
                word_re += "|" + words[i];
            word_re = "[^.]*\\b(" + word_re + ")\\b[^.]*[.]";
            while(br1.ready()) { str += br1.readLine(); }
            Pattern re = Pattern.compile(word_re, 
                    Pattern.MULTILINE | Pattern.COMMENTS | 
                    Pattern.CASE_INSENSITIVE);
            Matcher match = re.matcher(str);
            String sentenceString="";
            while (match .find()) {
                sentenceString = match.group(0);
                System.out.println(sentenceString);
            }
        } catch (Exception e) {}
    }

}

这会创建一个表单的正则表达式：

[^.]*\b(robbery|robbed|robbers)\b[^.]*[.]

Answer 2

通常，要检查句子是否包含rob或robbery或robbed，您可以在字符串锚定开始之后，在其他正则表达式模式之前添加一个lookehead：

(?=.*(?:rob|robbery|robbed))

在这种情况下，对rob进行分组然后检查潜在后缀会更有效：

(?=.*(?:rob(?:ery|ed)?))

在您的Java代码中，我们可以（例如）修改您的循环：

while (match.find())
{
    sentenceString=match.group(0);
    if (sentenceString.matches("(?=.*(?:rob(?:ery|ed)?))")) {
        System.out.println(sentenceString);
    }
}

解释正则表达式

(?=                      # look ahead to see if there is:
  .*                     #   any character except \n (0 or more times
                         #   (matching the most amount possible))
  (?:                    #   group, but do not capture:
    rob                  #     'rob'
    (?:                  #     group, but do not capture (optional
                         #     (matching the most amount possible)):
      ery                #       'ery'
     |                   #      OR
      ed                 #       'ed'
    )?                   #     end of grouping
  )                      #   end of grouping
)                        # end of look-ahead

Answer 3

看看ICU Project和icu4j。它进行边界分析，因此它会为您分割句子和单词，并且会针对不同的语言进行分析。

对于其余部分，您可以根据模式匹配单词（正如其他人建议的那样），或者根据您感兴趣的单词集来检查。

提取包含特定单词的句子

3 个答案: