Question

我试图从一行文本中检索化合物，收缩或小数。

我为每个人写了正则表达式：

contractions => ([a-zA-Z]+\'{1}[a-zA-Z]+)

是的：不要 m＆＃39; n

不：不要＆＃39;别＆＃39;＆＃39;＆＃39;吨

decimal numbers => ([0-9]+\.{1}[0-9]+)

是：0.1 11.11

否：.1 1. 1..0 m.n

compound => ([a-zA-Z]+\-{1}[a-zA-Z]+)

是：26 m-n

NO：二十六岁二十六岁

我正在做的是在一个字符串中包含一个段落，用空格分隔字符串，这样我就得到每个单词。有些词是加粗喜欢所以，有些词显然有逗号和句号。最后。

在我存储每个单词（我将其存储在倒排索引中以便稍后搜索）之前，我无法弄清楚的是：

如何删除字符串中的所有特殊字符，除非它与上述任何正则字符匹配，以便在遇到＆＃34;不要＆＃34;我可以存储＆＃34;不要＆＃34;或者如果我遇到＆＃34; 二十六＆＃34;我可以存储＆＃34;二十六＆＃34;，或者如果我遇到＆＃34;家庭，＆＃34;我可以存储＆＃34;家庭＆＃34; ？

Answer 1

试试这个正则表达式：(?:\s|^)(?!\w+-\w+|\w+'\w+|\d+\.\d+).*?\s并替换为空格：

String content = "put your string here";
Pattern pattern = Pattern.compile("(?:\\s|^)(?!\\w+-\\w+|\\w+'\\w+|\\d+\\.\\d+).*?\\s");
Matcher matcher = pattern.matcher(content);
String result = matcher.replaceAll(" ");

此外，这会删除family之类的字词，因为它与您提及的任何类别都不匹配，是您想要的吗？

我将[a-zA-Z]替换为\w而将[0-9]替换为\d，它会做同样的事情，但我认为正则表达式更具可读性。此外，您不需要{1}，缺少量词始终被视为一个。

编辑：如果您要删除句子中不属于任何类别的特殊字符：[^\w ]|(\w+-\w+|\w+'\w+|\d+\.\d+)并替换为\1

String content = "put your string here";
Pattern pattern = Pattern.compile("[^\\w ]|(\\w+-\\w+|\\w+'\\w+|\\d+\\.\\d+)");
Matcher matcher = pattern.matcher(content);
String result = matcher.replaceAll("\\1");

从字符串中检索正则表达式匹配并修剪其他/特殊字符

1 个答案: