应用错误收集

我已经尝试了一堆用于解析单词的正则表达式代码，即使我可以创建一个正确解析它们的代码，我发现很难将它转换为正则表达式。我对我的代码不满意，因为它依赖于很多'ifs'和手动替换。

这是我的测试用例：

String phrase =“O mapa-múndiencontra-se com J.A.Adams - autor 'lúdico' - e custa 0,62％zenny's，o等价R $ 452,10（ou $ 200）“;

这是我想要的输出：

String words [] = new String [] {“O”，“mapa-múndi”，“encontra-se”，“com”， “J.A.Adams”，“autor”，“lúdico”，“e”，“custa”，“0,62％”，“zenny's”，“o”， “equivalente”，“a”，“R $ 452,10”，“ou”，“$ 200”};

我已经尝试了“（[^ \ p {L} \ p {N} - ''] | $ | ^）+”，但它以空字符串开头并从名称中删除点（JAAdams ）和数字中的逗号以及其他问题。

一些规则：

Unicode caracters（例如'lúdico'）;
删除'或'或 - 在单词的开头或结尾;
保持'或 - 或$或。或者，在单词或数字的中间（例如J.A.Adams，mapa-múndi，encontra-se，0,62，zenny's，R $ 452,10。
删除（或忽略）其他破折号，括号，逗号，标点符号（？或！）。

代替更好的东西，你可能想尝试（按照你的例子）：

获取实际短语O mapa-múndi encontra-se com J.A.Adams -- autor 'lúdico' -- e custa 0,62% zenny's, o equivalente a R$452,10 (ou $200).
RegEx搜索((?<=^| )[- '",(.!?]+)|([-'",).!?]+(?= |$))并替换为空。
- 使用((?<=^| )[- '",(.!?]+)|([-'",)!?]+(?= ))|([-'",).!?]+(?=$))代替，如果您需要保留空白之前的点，例如J. R. Ewing或尾随e.g.或i.e.这当然不会继续工作，当字符串短语开头时，可能会持有多个以句号结尾的句子（除了最后一个句子之外的所有句子都不会被删除）。
- 任何一个应用两个/三个子模式，其中第一个((?<=^| )[- '",(.!?]+)组合了“字符串开头”的后视或带有字符类(?<=^| )的空白[- '",(.!?]，应该至少匹配一次+。另一个（s）类似地做 - 但是有一个前瞻性的。
RegEx搜索((?<=^| )[^ ]+?(?= |$))并替换为"\1",。
- 同样积极的观察背后是非贪婪的“除了空白的任何东西”[^ ]+?以及空白或“行尾”(?= |$))的前瞻。
- 要使用通用解决方案返回（例如J.R. Ewing作为令牌而不是e.g. Ewing，只要前空白组是（全部）小写（或者跟随），就可能有机会返回一些其他规则，可以用正则表达式表示）。首先，我只是将要保持在一起的那些添加到搜索表达式的开头，如((J.R. Ewing)|(J. ?A. Adams)|((?<=^| )[-\w0-9'$.,%]+?(?= |$)))，即括号()之间的每个标记，后跟管道符。 J. ?A. Adams中的问号有助于同时抓住J.A. Adams和J.A. Adams。（将这些标记放在搜索字符串的末尾会使它们无法用于预期目的。）
- 后者的候选人可能会在设置过程中使用(([A-Z]\. ?)+ [A-Z][a-z]+)对整个语料库进行检索。（需要这样做，以便能够一次性将它添加到正则表达式而不是单独地添加到每一行。）
删掉尾随的逗号。
围绕结果String words[] = new String[]{和};

使用TextWrangler 4.5.11测试，它自动处理Unicode。因此无法测试

RegEx搜索((?<=^| )[-\p{L}\p{N}'$.,%]+?(?= |$))并替换为"\1",。
我最接近的是搜索((?<=^| )[-\w0-9'$.,%]+?(?= |$))。

（两者都包括%，这似乎在拼写要求中缺失。）

（请记住，为了将连字符与字符类匹配，连字符需要在类[-ab89]中首先出现 - 否则它将表示紧邻它的字符之间的范围。）

带有连字符，数字或其他真实世界标志的unicode单词的正则表达式

1 个答案: