Question

我目前正在尝试过滤包含用“ - ”分隔的单词的文本文件。我想算一算。

scanner.useDelimiter(("[.,:;()?!\" \t\n\r]+"));

简单地发生的问题是：包含“ - ”的单词将被分开并计为两个单词。所以只是逃避\ - 不是选择的解决方案。

如何更改分隔符表达式，以便像“foo-bar”这样的单词将保留，但单独的“ - ”将被过滤掉并忽略？

谢谢;）

Answer 1

好吧，我在这里猜你的问题：你的意思是你有一个带有一些“真实”散文的文本文件，即实际上有意义的句子，用标点符号等分开，对吗？ / p>

示例：

据我们所知，这种情况得到了改善，我们最值得信赖的盟友Vorgons继续举办诗歌大赛。即使使用他们的Mute-O-Matic设备，敌人也没有动力去干扰它。

所以，你需要的分隔符是任何数量的空格和/或标点符号（你已经用你所展示的正则表达式覆盖的），或者每边至少有一个空格包围的连字符。 “或”的正则表达式字符是“|”。许多正则表达式实现中有空格字符类（空格，制表符和换行符）的快捷方式：“\ s”。

"[.,:;()?!\"\s]+|\s+-\s+"

Answer 2

这不是很简单。要尝试的一件事是{current-delimeter-chars} {zero-or-more-hyphens} {zero-or-more-current-delimeter-chars-or-hyphen}。

可能更容易忽略由完全由连字符组成的扫描仪返回的单词

Answer 3

如果可能，尝试使用预定义的类...使正则表达式更容易阅读。有关选项，请参阅java.util.regex.Pattern。

也许这就是你要找的东西：

string.split("\\s+(\\W*\\s)?"

读取：匹配1个或多个空格字符，可选地后跟零个或多个非字字符和空格字符。

Answer 4

Scanner scanner = new Scanner("one   two2  -   (three) four-five - ,....|");
scanner.useDelimiter("(\\B+-\\B+|[.,:;()?!\" \t|])+");

while (scanner.hasNext()) {
    System.out.println(scanner.next("\\w+(-\\w+)*"));
}

<强> NB

下一个（String）方法断言你只得到单词，因为原来的useDelimiter（）方法错过了“|”

<强> NB

您已使用正则表达式“\ r \ n | \ n”作为行终止符。 java.util.regex.Pattern的JavaDocs显示了其他可能的行终止符，因此更完整的检查将使用表达式“\ r \ n | [\ r \ n \ u \ u2028 \ u2029 \ u0085]”

Answer 5

这应该很简单：[^\\w-]\\W*|-\\W+

但当然，如果它是散文，并且您想要排除下划线：
[^\\p{Alnum}-]\\P{Alnum}*|-\\P{Alnum}+
或者如果你不期望数字：
[^\\p{Alpha}-]\\P{Alpha}*|-\\P{Alpha}+

编辑：这些是更简单的表单。请记住完整的解决方案，它将处理行的开头和结尾处的破折号将遵循此模式。 (?:^|[^\\w-])\\W*|-(?:\\W+|$)

使用扫描仪的分隔符功能“abc-def”

5 个答案: