Question

我想解析文本文件中的单词。应保留撇号，但应删除单引号。以下是一些测试数据：

john's apostrophe is a 'challenge'

我正在尝试使用grep，如下所示：

grep -o "[a-z'A-Z]*" file.txt

它产生：

john's
apostrophe
is
a
'challenge'

需要删除单词challenge周围的引号。

正确/期望的输出应为：

john's
apostrophe
is
a
challenge

编辑：由于共识似乎是撇号有问题需要识别，我现在正在寻找一种方法来剥离所有单词中的任何类型的撇号（前导，尾随，嵌入）。这些单词将被添加到词汇索引中。搜索这个短语也应该删除撇号。这可能还需要另一个问题。

Answer 1

您需要使用grep吗？这是一个sed示例，以防万一：

$ echo "john's apostrophe is a 'challenge'" | sed -re "s/'(\S*)'/\1/g"
john's apostrophe is a challenge

sed是一个流编辑器，我用它来执行替换（格式为s/pattern/subst/，g代表全局。我匹配任意数字（{{1非空白字符（*）并将其替换为同一组字符，将其称为\S（我用圆括号\1捕获它。

编辑：好的，这是一个丑陋的Perl式(...)示例：

grep

我不知道我做了什么，所以可能出现意想不到的行为：）

使用$ echo "john's apostrophe is a 'challenge'" | grep -oP "(?<=')\S*(?=')|\w+'?\w*" john's apostrophe is a challenge我使用positive lookaround assertions来匹配单引号中的单词（断言用于引号不是匹配的一部分）或（grep）带有可选撇号的单词，用“一个或多个单词字符”（|）后跟\w+表示（或不表示）然后再选择一些单词字符。

更多编辑：这是一个'命令，似乎可以完成这项工作并应对@ tchrist的例子：

sed

Answer 2

这是一个更简单的grep - 唯一方法：

grep -E -o "[a-zA-Z]([a-z'A-Z]*[a-zA-Z])?" file.txt

在Java中是：

Pattern.compile("[a-zA-Z]([a-z'A-Z]*[a-zA-Z])?")

（这两个都是“ASCII字母，可选地后跟ASCII字母和/或撇号和ASCII字母的混合”。想法是匹配的子字符串必须以字母开头并以字母结尾，但如果长度超过两个字符，那么它可以包含撇号。）

要接受非ASCII字母，Java可以写成：

Pattern.compile("\\p{L}([\\p{L}']*\\p{L})?")

编辑以获取更新的问题（删除撇号）：我认为你不能用 grep来做到这一点;但是稍微扩展我们的曲目，你可以写：

tr -d "'" file.txt | grep -E -o "[a-zA-Z]+"

或在Java中：

String apostrippedStr = str.replace("'", "");

Pattern.compile("[a-zA-Z]+") // or "\\p{L}+" for non-ASCII support
// ... apply pattern to apostrippedStr

正则表达式去除单引号并保留撇号

2 个答案: