拉丁字符与符号的正则表达式

Question

我需要将文本分割并只获取单词、数字和连字符组成的单词。我还需要获取拉丁文单词，因此我使用了\p{L}，它可以给我é、ú、ü、ã等字符。以下是示例：

String myText = "Some latin text with symbols, ? 987 (A la pointe sud-est de l'île se dresse la cathédrale Notre-Dame qui fut lors de son achèvement en 1330 l'une des plus grandes cathédrales d'occident) : ! @ # $ % ^& * ( ) + - _ #$% "  ' : ; > < / \  | ,  here some is wrong… * + () e -"

Pattern pattern = Pattern.compile("[^\\p{L}+(\\-\\p{L}+)*\\d]+");
String words[] = pattern.split( myText );

这个正则表达式有什么问题？为什么它会匹配像 "(", "+", "-", "*" 和 "|" 这样的符号？

一些结果如下：

dresse     // OK
sud-est    // OK
occident)  // WRONG
987        // OK
()         // WRONG
(a         // WRONG
*          // WRONG
-          // WRONG
+          // WRONG
(          // WRONG
|          // WRONG

正则表达式的解释如下：

[^\p{L}+(\-\p{L}+)*\d]+

 * Word separator will be:
 *     [^  ...  ]  No sequence in:
 *     \p{L}+        Any latin letter
 *     (\-\p{L}+)*   Optionally hyphenated
 *     \d            or numbers
 *     [ ... ]+      once or more.

- Manoel Merc

---

你对正则表达式的理解是错误的。[] 是字符类，只匹配单个字符。 - nhahtdh

Answer 1

如果我对您的需求的理解是正确的，那么这个正则表达式将匹配您想要的内容：

"\\p{IsLatin}+(?:-\\p{IsLatin}+)*|\\d+"

它将匹配:

• 一系列连续的Unicode 拉丁字母字符。我限制为拉丁字母，因为\p{L}将匹配任何脚本中的字母。如果您的Java版本不支持此语法，请将\\p{IsLatin}更改为\\pL。
• 或者多个这样的序列，用连字符连接
• 或者一系列连续的十进制数字（0-9）

上面的正则表达式应通过调用Pattern.compile来使用，并调用matcher(String input)来获取一个Matcher对象，并使用循环查找匹配项。

Pattern pattern = Pattern.compile("\\p{IsLatin}+(?:-\\p{IsLatin}+)*|\\d+");
Matcher matcher = pattern.matcher(inputString);

while (matcher.find()) {
    System.out.println(matcher.group());
}

如果您想允许带有撇号 ' 的单词：

"\\p{IsLatin}+(?:['\\-]\\p{IsLatin}+)*|\\d+"

我还在字符类['\\-]中转义了-，以防您需要添加更多。实际上，如果-在字符类的开头或结尾，它不需要转义，但是为了安全起见，我仍然进行了转义。

- nhahtdh

---

它给了我一个错误： 在索引12附近，未知的字符属性名称{Latin} [^\p{IsLatin}+(?:-\p{IsLatin}+)*|\d+] - Manoel Merc

@ManoelMerc：该代码可以在Java 7上运行。如果您的版本不支持它，那么您可以回退到\\p{L}。并且不要修改正则表达式！ - nhahtdh

一些结果如下： "dresse" // 正确 "sud-est" // 正确 "|" // 错误编译器认为管道符“|”是一个单词，但实际上它不是。 - Manoel Merc

@ManoelMerc：再检查一遍，很可能是 l（字母 L）http://ideone.com/RAXXS6 http://ideone.com/HUDQTF - nhahtdh

哈哈！！天啊！你是对的！:) 但我们还有另一个问题：单词“l'île”被分成了两个单词：“l”和“île”...不管怎样！你太棒了！非常感谢，伙计！ - Manoel Merc

Answer 2

如果一个字符类的开括号后面跟着一个^，则类内列出的字符是不允许的。因此，您的正则表达式允许出现除了Unicode字母、+、(、-、)、*和数字外的任何内容，且出现一次或多次。

请注意，像+、(、)、*等字符在字符类中没有任何特殊含义。 pattern.split的作用是在与正则表达式匹配的模式处拆分字符串。您的正则表达式匹配空格，因此在每个一个或多个空格出现的位置进行拆分。因此结果将是这样的。

例如，考虑以下内容：

Pattern pattern = Pattern.compile("a");
    for (String s : pattern.split("sda  a  f  g")) {
        System.out.println("==>"+s);
    }

输出结果如下

==>sd

==>

==> f g

- Naveed S

---

是的，它可以分割文本，因为它不限于任何字符。参见：pattern.split(myText); - Manoel Merc

@ManoelMerc，我认为你误解了pattern.split。 - Naveed S

Answer 3

一个带有[]的正则表达式集合描述只能包含字母、类别（\p{...}）、序列（例如a-z）和补集符号（^）。你必须将你使用的其他魔法字符（+*()）放在[ ]块之外。

- Diomidis Spinellis

---

我已将其更改为"\(+|\)+|\*+|\|+|\-+|\++|[^\p{L}+(\-\p{L}+)*\d]+", 但它现在匹配空字符串，管道符号"|"仍然匹配... :-( - Manoel Merc