在句子中计算单词的正则表达式

Question

public static int getWordCount(String sentence) {
    return sentence.split("(([a-zA-Z0-9]([-][_])*[a-zA-Z0-9])+)", -1).length
         + sentence.replaceAll("([[a-z][A-Z][0-9][\\W][-][_]]*)", "").length() - 1;
}

我的意图是计算一个句子中单词的数量。这个函数的输入是一个长句子，最多可能有255个单词。

1. 单词内可以使用连字符或下划线
2. 该函数只应计算有效单词，即特殊字符不应被计入。例如，&&&& 或 #### 不应被视为单词。

上述正则表达式运行良好，但当单词内出现连字符或下划线时，例如：co-operation，计数返回为2，而不是1。能否有人提供帮助？

- neena

---

\w 元字符有什么问题？ - Sharon Ben Asher

你从哪里得到这个正则表达式的？ - Pshemo

@sharonbn \w 无法匹配连字符，但是 [-\w] 可以。或者在上述情况下使用 (\w+(-?\w+)*) 或类似语法。 - dhke

分割是一项相当昂贵的操作。 - Willem Van Onsem

这不是错误，更像是不好的风格。[[a-z][A-Z][0-9][\\W][-][_]]与[a-zA-Z0-9\\W\\-_]相同，后者更容易阅读（并且可以看出由于a-zA-Z0-9_与\W的组合，此正则表达式将匹配每个字符，这可能不是您想要的）。另外，([-][_])*与(-_)*相同。 - Pshemo

Answer 1

请勿使用代价较高的操作.split和.replaceAll，请使用常数内存使用的方法。

根据您的要求，您似乎正在寻找以下正则表达式：

[\w-]+

接下来，您可以使用 这种方法 来计算匹配的次数：

public static int getWordCount(String sentence) {
    Pattern pattern = Pattern.compile("[\\w-]+");
    Matcher  matcher = pattern.matcher(sentence);
    int count = 0;
    while (matcher.find())
        count++;
    return count;
}

在线 jDoodle 演示。

这种方法在内存使用上更加稳定：分割时，程序会构建一个数组，但实际上这个数组基本上没什么用处，因为你永远不会检查数组的内容。

如果你不想让单词以连字符开头或结尾，可以使用以下正则表达式：

\w+([-]\w+)*

- Willem Van Onsem

---

Pshemo，谢谢，你的表达式对我很有效。 - neena

Answer 2

这部分代码 ([-][_])* 是错误的。符号[xyz]的意思是“方括号内的任何一个字符”（请参见http://www.regular-expressions.info/charclass.html）。因此，你只允许恰好出现字符-和字符_，而且顺序不能颠倒。

修正你的代码组即可解决问题：

[a-zA-Z0-9]+([-_][a-zA-Z0-9]+)*

而且它可以进一步简化，使用\w来实现

\w+(-\w+)*

因为\w匹配0..9、A..Z、a..z和_ (http://www.regular-expressions.info/shorthand.html)，所以你只需要添加-。

- Jongware

Answer 3

如果您可以使用Java 8：

long wordCount = Arrays.stream(sentence.split(" ")) //split the sentence into words   
.filter(s -> s.matches("[\\w-]+")) //filter only matching words
.count();

- griFlo

Answer 4

使用Java 8

public static int getColumnCount(String row) {
    return (int) Pattern.compile("[\\w-]+")
        .matcher(row)
        .results()
        .count();
}

- Jakub Krhovják