Java - 使用最小大小和分隔符分割标记的正则表达式 [英] Java - Regex to Split Tokens With Minimum Size and Delimiters

问题描述

我知道我知道，有许多类似的问题，我可以说我读了所有这些问题。但是，我在正则表达式方面并不擅长，我无法弄清楚我需要的正则表达式。

I know I know, there are many similar questions, and I can say I read all of them. But, I am not good in regex and I couldn't figure out the regular expression that I need.

我想在Java中拆分一个String，我有4个约束：

I want to split a String in Java, and I have 4 constraints:

1. 分隔符是[。？！]（句末）


2. 十进制数字不应被标记化


3. 不应删除分隔符。


4. 每个标记的最小大小应为5

1. The delimiters are [.?!] (end of the sentence)
2. Decimal numbers shouldn't be tokenized
3. The delimiters shouldn't be removed.
4. The minimum size of each token should be 5

例如，输入：

Hello World！This回答价值1.45美元的美元。谢谢。

输出将是：

[Hello World !,这个答案价值1.45美元美元。谢谢。]

Up到目前为止，我得到了这个正则表达式的三个第一个约束的答案：

Up to now I got the answer for three first constraints by this regex:

text.split("(?<=[.!?])(?<!\\d)(?!\\d)");

我知道我应该使用 {5，} 在我的正则表达式的某个地方，但我试过的任何组合都不起作用。

And I know I should use {5,} somewhere in my regex, but any combination that I tried doesn't work.

对于以下情况：我爱你美国怎么样？如果它给我一个或两个句子并不重要，只要它没有将 S。标记为单独的句子。

For cases like: "I love U.S. How about you?" it doesn't matter if it gives me one or two sentences, as far as it doesn't tokenize S. as a separate sentence.

最后，介绍一个很好的正则表达式教程。

Finally, introducing a good tutorial of regex is appreciated.

更新：正如评论中提到的 Chris ，几乎不可能解决这样的问题（涵盖所有发生的情况）自然语言）与正则表达式。然而，我发现HamZa的答案是壁橱，也是最有用的。

UPDATE: As Chris mentioned in the comments, it is almost impossible to solve questions like this (to cover all the cases happen in natural languages) with regex. However, I found HamZa's answer the closet, and the most useful one.

所以，小心！接受的答案将不包括所有可能的用例！

推荐答案

基于以前制作正则表达式。

正则表达式基本上是（？< = [。？！]）\\ \\ s +（？= [az]）这意味着在。，之前匹配任何空格一次或多次。 或！，然后是 [az] （不要忘记我修饰符）。

Basing my answer from a previously made regex.
The regex was basically (?<=[.?!])\s+(?=[a-z]) which means match any whitespace one or more times preceded with either ., ? or ! and followed by [a-z] (not forgetting the i modifier).

现在让我们根据这个问题的需要修改它：

Now let's modify it to the needs of this question:

1. 我们首先将其转换为JAVA正则表达式：（？< = [。？！]）\\\\ +（？= [az]）


2. 我们将添加 i 修饰符以匹配不区分大小写的（？ i）（？< = [。？！]）\\\\ +（？= [az]）


3. 我们将把表达式放入一个积极的预测，以防止字符的吃（在这种情况下是分隔符）：（？=（？i）（？< = [。？！]）\\\\ +（？ = [az]））


4. 我们将添加一个负面的lookbehind来检查格式中是否没有缩写 LETTER DOT LETTER DOT ：（？i）（？< = [。？！]）（？<！[az] \。[az] \。）\ \ + +（？= [az]）

1. We'll first convert it to a JAVA regex: (?<=[.?!])\\s+(?=[a-z])
2. We'll add the i modifier to match case insensitive (?i)(?<=[.?!])\\s+(?=[a-z])
3. We'll put the expression in a positive lookahead to prevent the "eating" of the characters (delimiters in this case) : (?=(?i)(?<=[.?!])\\s+(?=[a-z]))
4. We'll add a negative lookbehind to check if there is no abbreviation in the format LETTER DOT LETTER DOT : (?i)(?<=[.?!])(?<![a-z]\.[a-z]\.)\\s+(?=[a-z])

所以我们的最终正则表达式如下：将（R）（小于？[？！] =）（？<！[AZ] \ [AZ] \。）\\s +（= [AZ]）。

So our final regex looks like : (?i)(?<=[.?!])(?<![a-z]\.[a-z]\.)\\s+(?=[a-z]).

部分链接：

• 在线测试人员 ，跳转到 JAVA


• 解释工具 （不基于JAVA）


• 正则表达式教程


• Java特定的正则表达式教程


• SO正则表达式聊天室


• SO
  上的一些高级优秀正则表达式
  
  
  
  • 这个正则表达式如何找到三角形数字？
  
  
  • 我们怎样才能将^ nb ^ n与Java正则表达式匹配？
  
  
  • 这个Java正则表达式如何检测回文？
  
  
  • 如何确定一个数字是否是正则表达式的素数？
  
  
  • "垂直" ASCII图像中的正则表达式匹配
  
  
  • for循环可以从这段PHP代码中消除吗？
    ^ - 请参阅正则表达式解决方案，虽然不确定如果适用于JAVA
  
  
  • Online tester, jump to JAVA
  • Explain tool (Not JAVA based)
  • THE regex tutorial
  • Java specific regex tutorial
  • SO regex chatroom
  • Some advanced nice regex-fu on SO
    • How does this regex find triangular numbers?
    • How can we match a^n b^n with Java regex?
    • How does this Java regex detect palindromes?
    • How to determine if a number is a prime with regex?
    • "vertical" regex matching in an ASCII "image"
    • Can the for loop be eliminated from this piece of PHP code?
      ^-- See regex solution, although not sure if applicable in JAVA

    这篇关于Java - 使用最小大小和分隔符分割标记的正则表达式的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！