Question

我正试图从文本文件中删除重复的连续单词，有人提到我可以做这样的事情：

Pattern p = Pattern.compile("(\\w+) \\1");
StringBuilder sb = new StringBuilder(1000);
int i = 0;
for (String s : lineOfWords) { // line of words is a List<String> that has each line read in from txt file
Matcher m = p.matcher(s.toUpperCase());
// and then do something like
while (m.find()) {
  // do something here
}

我试着查看m.end以查看是否可以创建新字符串，或删除匹配项目，但在阅读文档后我不确定它是如何工作的。例如，作为一个测试案例，看看它是如何工作的，我做了：

if (m.find()) {
System.out.println(s.substring(i, m.end()));
    }

包含This is an example example test test test.

的文本文件

为什么我的输出This is？

编辑：

如果我有一个AraryList lineOfWords从.txt文件行读取每一行，然后我创建一个新的ArrayList来保存修改后的字符串。例如

List<String> newString = new ArrayList<String>();
for (String s : lineOfWords { 
   s = s.replaceAll( code from Kobi here);
   newString.add(s);
}

但是它不会给我新的s，而是原来的s。是因为浅层和深层复制？

Answer 1

尝试类似：

s = s.replaceAll("\\b(\\w+)\\b(\\s+\\1)+\\b", "$1");

正则表达式比你的强一点 - 它会检查整个单词（没有部分匹配），并且可以删除任意数量的连续重复。
正则表达式捕获第一个单词：\b(\w+)\b，然后尝试匹配该单词的空格和重复：(\s+\1)+。最终\b是为了避免\1的部分匹配，如"for formatting"。

Answer 2

第一场比赛是“Th IS IS 一个例子......”，所以m.end()指向第二个“是”的结尾。我不确定为什么你使用i作为起始索引;请尝试m.start()。

要改善正则表达式，请在单词前后使用\b表示应该有单词边界：(\\b\\w+\\b)。否则，正如你所看到的那样，你会在单词中得到匹配。

模式，Java中的匹配器，REGEX帮助

2 个答案: