我使用BreakIterator.getWordInstance将中文文本拆分为单词。这是我的例子
import java.text.BreakIterator;
import java.util.Locale;
public class Sample {
public static void main(String[] args) {
String stringToExamine = "I like to eat apples. 我喜欢吃苹果。";
//print each word in order
BreakIterator boundary = BreakIterator.getWordInstance(new Locale("zh", "CN"));
boundary.setText(stringToExamine);
printEachForward(boundary, stringToExamine);
}
public static void printEachForward(BreakIterator boundary, String source) {
int start = boundary.first();
for (int end = boundary.next(); end != BreakIterator.DONE; start = end, end = boundary.next()) {
System.out.println(start + ": " + source.substring(start, end));
}
}
}
我的示例文字取自https://stackoverflow.com/a/42219474/954439
我得到的输出是
0: I
1:
2: like
6:
7: to
9:
10: eat
13:
14: apples
20: .
21:
22: 我喜欢吃苹果
28: 。
然而,预期的输出是
0 I
1
2 like
6
7 to
9
10 eat
13
14 apples
20 .
21
22 我
23 喜欢
25 吃
26 苹果
28 。
我甚至尝试过纯中文文本,但这些文字在空格和标点字符上都被打破了。
我正在为服务器编程,因此jar文件大小不是一个大问题。我试图找到给定内容中与使用最小公共子序列(但在单词上)的示例内容不同的单词数。
我做错了什么?
答案 0 :(得分:5)
标准BreakIterator
不支持检测"字" CJK表意文字中不间断的界限。关于此主题有一个bug report,但它在2006年关闭,因为"赢得了修复"。
相反,您需要使用ICU implementation。如果您要在Android上进行开发,那么您已将其作为android.icu.text.BreakIterator
。否则,您需要从http://site.icu-project.org/download下载ICU4J库,并将其作为com.ibm.icu.text.BreakIterator
。