从字符串中提取单词的正则表达式

Question

我想从Java字符串中提取所有单词。

单词可以用任何欧洲语言书写，不包含空格，只有字母符号。

它可以包含连字符。

- EugeneP

---

“o'clock”是一个单词吗？“Modula-2”是一个单词吗？ - kennytm

x'x'x'是一个“单词”吗？ zexcqcewqxc-trmnbynmtrby呢？ - polygenelubricants

@polygenelubricants 他们是。在最简单的情况下。 - EugeneP

不，绝对不能在任何单词中出现[0-9]。Modula-2不是一个单词。 - EugeneP

Answer 1

如果您不想使用正则表达式，也可以看一下BreakIterator，特别是getWordInstance()方法：

单词边界分析被用于搜索和替换函数，以及允许用户双击选择单词的文本编辑应用程序中。单词选择提供了对单词内部和后面的标点符号的正确解释。不属于单词的字符，如符号或标点符号，在两侧都有单词分界点。

- McDowell

Answer 2

您可以使用 (?<!\S)\S+(?!\S) 的变体，即任何非空格字符的最大序列。

• 负面向前环视用于匹配字符串开头和结尾的“单词”
• 将自己的字符类替换为 \S，以查找更具特定性的内容
  • （例如，[A-Za-z-]等）

下面是一个简单的示例来说明这个想法，使用 [a-z-] 作为字母表字符类：

    String text = "--xx128736f-afasdf2137asdf-12387-kjs-23xx--";
    Pattern p = Pattern.compile(
        "(?<!alpha)alpha+(?!alpha)".replace("alpha", "[a-z-]")
    );
    Matcher m = p.matcher(text);
    while (m.find()) {
        System.out.println(m.group());
    }

这将打印：

--xx
f-afasdf
asdf-
-kjs-
xx--

参考资料

• 正则表达式：向前肯定/否定和向后肯定/否定，字符类

---

但是字母表应该是什么？

你可能需要使用Unicode字符类等（请耐心等待，我正在研究这个话题）。

- polygenelubricants

---

嗯，我觉得这个答案实际上没有什么意义。(?<!alpha)alpha+(?!alpha) 就是 alpha+。我可能会删除它。有反馈吗？ - polygenelubricants

它正在执行某些操作，因为它会输出一些内容。等待您的最终解决方案，以便查看其运作情况。 - EugeneP

Answer 3

这将匹配单个单词：

`([^\s]+)`

- Eric

---

那要根据“单词”的定义而定。此外，它将匹配空字符串。如果你想捕获它，\S+更好，或者使用(\S+)。 - Christoffer Hammarström

你的正则表达式肯定匹配一个或多个空格字符吧？ - Eric

\s 匹配空格，\S 匹配非空格字符。 - Christoffer Hammarström