Java正则表达式将ngrams保存在方括号中

Question

我是一个Java正则表达式的新手，所以我想知道是否有人可以帮助我需要正则表达式来分割基于ngrams的文本。所以，如果我有这样的文字：

dyson [salisbury matheson beaumont] clarke [carstairs morden] vaughan

返回以下ngram：

Unigram: dyson Trigram: salisbury matheson beaumont Unigram: clarke Bigram: carstairs morden Unigram: vaughan

方括号的内容是否为bigrams或trigrams？

分割将基于括号外的空格。

Answer 1

这很简单：

\w+|\[([\w\s]+)\]

Demo

说明：

• \w+匹配一个字（一系列字母数字字符或下划线）
• 或：\[([\w\s]+)\]
  • \[与[
  相匹配
  • [\w\s]+匹配一系列单词和空格，这是捕获的
  • \]与]
  相匹配

如果你有一个捕获它意味着你有一些括号内的东西，否则它意味着你有一个单词。然后，您可以将简单的\w+正则表达式应用于括号的内容以提取单词。

要在Java中使用它，你必须转义反斜杠，将它们按原样传递给正则表达式引擎：

String pattern = "\\w+|\\[([\\w\\s]+)\\]";