Question

我需要从包含大量随机数据的文本字符串中提取关键字。在Regular expression not extracting the exact pattern分享，我创建了一个正则表达式：

Pattern p = Pattern.compile("\\b"+myKeywordToSearch+"s?\\b",Pattern.CASE_INSENSITIVE);

然而，在关键字开始之前，这忽略了具有数字/特殊字符的任何关键字。

如上所述，我需要将所有这些关键字统计为：

12312312face
1face
$face
234%#$face
faces
4faces
$faces
 faces
 face's
 faces'

虽然我不接受像：

这样的关键词

facebook
duckface

我写过正则表达式

        Pattern p = Pattern.compile("\\b\\W"+myKeywordToSearch+"s?\\b",Pattern.CASE_INSENSITIVE);

其中keyword是我的关键字列表，但我没有得到理想的结果。关键字的数量非常低，并不像我预期的那么多。你能阅读我的描述吗，请说明可能存在的问题以及我如何解决它？

我的正则表达式要求是在文件中搜索关键字：

5face 
7face
$face
%face
 face
faces
face's
faces'
face'
face4
face$
face    <--Space after face

但不得阅读

duckface
duckface1
duckface$
facebook
 facebook
3facebook
&facebook 
and so on...

到目前为止，我的正则表达式尝试效果不佳..

任何人都可以提出建议。谢谢。

我多次尝试

("\\b"+mySearchKeyWord+"s?\\b",Pattern.CASE_INSENSITIVE);
            ("\\b\\W"+mySearchKeyWord+"s?\\b",Pattern.CASE_INSENSITIVE);
            ("[0-9]{}//w[a-bA-B]+ or [0-9]{}//w["+mySearchKeyWord+"]++",Pattern.CASE_INSENSITIVE);
            ("[^a-z\\s]*"+mySearchKeyWord+"?[^\\s]*",Pattern.CASE_INSENSITIVE);
            ("[^\\s]*"+mySearchKeyWord+"?[^\\s]",Pattern.CASE_INSENSITIVE);
            ("[^\\s]*"+mySearchKeyWord+"s?\\b",Pattern.CASE_INSENSITIVE);
            ("[^\\s]*\\W*"+mySearchKeyWord+"s?\\b",Pattern.CASE_INSENSITIVE);

Answer 1

\ b是一个单词边界，数字包含在可形成单词的内容中，因此“1face”被认为是正则表达式中的单词，这意味着\ bface \ b将不匹配它。我不确定哪些特殊字符被认为是Java中单词的一部分，所以这也可能是以单词开头的单词的问题。

Answer 2

您的模式看起来没问题，因此要了解问题所在，您必须发现输入并找到模式未捕获的特定单词。

但我可以向你推荐一些东西吗？如果您的文本相对较短且关键字数量相对较少，则应创建一个模式，其中包含由|分隔的所有关键字，然后仅运行一次模式。

据我所知，你现在在整个文本上运行你的模式N次，其中N是关键字的数量。这是非常无效的。

但是，如果您有很多关键字（数千个左右），则应将文本拆分为单独的字词，并使用Map等数据结构来定位关键字。太长的图案不能很好地工作。

Answer 3

我并不声称自己是正则表达专家，但这似乎可以捕捉到您示例中的所有字词：

[^a-z\s]*faces?[^\s]*

这基本上可以找到“面子”或“面孔”以及它之前和之后的一切，直到它找到一个空间。将整个表达式括在括号中会将所有单词都放在捕获组中。

Answer 4

您可以使用前瞻和后视而不是单词边界：

"(^|(?<=[^a-zA-Z]))(faces?)($|(?=[^a-zA-Z]))"

这断言我必须能够在“face / faces”之前和之后看到非字母字符（或字符串的开头/结尾）。

Answer 5

这没有任何意义：为什么要搜索边界，然后是非字符字符，然后是任意字符串？看起来你不明白界限是什么。

\b边界恰好等同于：

(?:(?<=\w)(?!\w)|(?<!\w)(?=\w))

看到你的问题？当你写\b\Wface时，你需要一个wordchar，然后是一个nonwordchar，然后是face。

如果您不理解边界，请不要使用边界。

Answer 6

所以关键字只是字符连续，所以看起来你可能不想使用模式匹配器，而是尝试使用java.regex.pattern。

为正则表达式注入类似的东西：

 [0-9]{*}//w[a-bA-B]+ or [0-9]{*}//w[face]++

这是一个测试人员RegExp。

java中的正则表达式不会产生所需的结果

6 个答案: