Java 正则表达式用于匹配特殊字符（连字符与数字混合除外）_Java_Regex

Java 正则表达式用于匹配特殊字符（连字符与数字混合除外）

java regex

Java 正则表达式用于匹配特殊字符（连字符与数字混合除外）,java,regex,Java,Regex,我们目前正在Java的replaceAll函数中使用[^a-zA-Z0-9]从字符串中去除特殊字符。我们注意到，当连字符与数字混合时，我们需要允许连字符不匹配连字符的示例： 1-2-3 -1-23-4562 --1--2--3--4- --9--a--7 425-12-3456 将匹配连字符的示例： --a--b--c 沃尔玛我们认为我们制定了一个正则表达式，以满足后一个标准，作为参考，但我们不知道如何将其与原始正则表达式结合起来[^a-zA-Z0-9] 我们希望对Lucene搜索字

我们目前正在Java的

replaceAll

函数中使用

[^a-zA-Z0-9]

从字符串中去除特殊字符。我们注意到，当连字符与数字混合时，我们需要允许连字符

不匹配连字符的示例：

1-2-3

-1-23-4562

--1--2--3--4-

--9--a--7

425-12-3456

将匹配连字符的示例：

--a--b--c
沃尔玛

我们认为我们制定了一个正则表达式，以满足后一个标准，作为参考，但我们不知道如何将其与原始正则表达式结合起来

[^a-zA-Z0-9]

我们希望对Lucene搜索字符串执行此操作，因为索引时的工作方式：

在连字符处拆分单词，除非标记中有数字，在这种情况下，整个标记将被解释为产品编号，并且不会拆分

你试过这个吗：

[^a-zA-Z0-9-]

一个正则表达式无法完成此操作。（嗯……可能是Perl语言。）

（编辑：好的，您可以使用可变长度的负lookbehind来实现，Java似乎可以（几乎是唯一的！）；请参见Cyborgx37的答案。无论如何，在我看来，您不应该使用单个正则表达式来实现这一点。：）

你能做的就是把字符串分割成单词，然后分别处理每个单词。我的Java非常糟糕，因此这里有一些非常明智的Python：

#预编译一些正则表达式
看起来像产品号=重新编译（r'\A[-0-9]+\Z'）
not_wordlike=重新编译（r'[^a-zA-Z0-9]）
不是像单词一样的编译（r'[^-a-zA-Z0-9]'）
#在不是字母、数字或连字符而是点的任何东西上拆分
#必须后跟空格
words=re.split（r'（？：[^-.a-zA-Z0-9]|[.]\s）+'，字符串）
精简的单词=[]
用文字表示：
如果word中的“-”与产品编号不匹配（word）：
stripped_word=not_wordlike.sub（“”，word）
其他：
#产品编号；允许破折号
条状词=非条状词或连字号sub（“”，word）
剥离单词。追加（剥离单词）
传递给lucene（''.join（剥离的单词））

当我使用

'wal-mart 1-2-3'

运行此命令时，我会返回

'walmart 1-2-3'

但老实说，上面的代码复制了Lucene标记器已经在做的大部分工作。我认为您最好只将

标准标记器

复制到您自己的项目中，并对其进行修改以满足您的需要。

这个问题很棘手，因为Java不允许在环顾中进行无限递归，这基本上就是您所需要的。我已经设定了100个字符的限制，你会看到，如果你希望单词更长，你可以增加这个限制

这应该起作用：

(?<![0-9]\S{0,100})[^a-zA-Z](?!\S{0,100}[0-9])|(?<=[0-9]\S{0,100})[^a-zA-Z0-9-](?=\S{0,100}[0-9])

上面的表达式将用零长度字符串替换有问题的字符，将呈现以下输出：

--9--a--7 walmart

您可以在这里尝试：

请注意，此表达式依赖于由空格（空格、制表符、换行符等）分隔的单词。其他字符，如逗号和分号，将使表达式将两个单词视为一个。例如“--9-a-0-”沃尔玛“将被视为一个单词

编辑我上次编辑的最后一段不正确。如果您想包含其他字符作为分隔符，我建议在第一遍中用空格替换它们（例如，将“，”替换为“”）

我主要是一名.NET程序员，否则我会为您提供使用此模式的完整Java代码。

请原谅我发布了第二个答案，而不是编辑第一个答案，但我不完全确定问题是否在于消除那些立即被字母包围的破折号，或者，如果目的是仅在根本不包含数字的字符串中消除破折号。此解决方案适用于后一种情况。我的另一个解决方案是前一种情况

这种模式

String newValue = myString.replaceAll("[^\\sA-Za-z0-9\\-]|((?<!\\S*\\d)-(?!\\S*\\d))", "");

String newValue=myString.replaceAll（“[^\\sA-Za-z0-9\\\-]|”（？我根据regex标记的文档添加了[java]标记：“请还包括一个指定您正在使用的编程语言或工具的标记。"只有在与数字组合时才允许使用连字符？因此'--9--a--7'将去掉连字符，但'--9--0--7'将被单独保留？我相信这两个示例都将被单独保留，因为Lucene引号指出，如果标记中有数字，标记器不会拆分连字符。因此'--9--a--7'和'--9--0--7'将被保留为alone，但不是“--a--b--c”？是的，这是完全正确的。我不知道这是否会起作用-OP似乎建议只允许连字符与数字组合。但不清楚。OP提供了一些附加信息-连字符仅在与数字组合时才允许。如果没有数字，则连字符必须仍然有效已删除。@Cyborgx37:谢谢，我会看一看并修改我的答案。你可以，但它并不漂亮。啊哈，聪明。似乎Java有一个极少数的正则表达式引擎，它在中只允许固定长度的模式（？；这当然使它不太可能：）@Eevee-是的，根据..NET允许无限递归，所以我发现我经常不得不简化我的正则表达式以在其他风格中工作。令人印象深刻。即使是这种疯狂行为的始作俑者Perl，也从未实现过任意可变宽度的负回溯。不过，我很少碰到这种限制；你到底在做什么你“经常”点击：）@Eevee-还有其他的表达式.NET使用，比如基于命名捕获的if-else表达式，在这样的场景中非常有用。@Eevee-当你在lookahead中有一个lookahead时，这真是太疯狂了。.NET对你在lookahead中的内容没有任何限制。
String newValue = myString.replaceAll("[^\\sA-Za-z0-9\\-]|((?<!\\S*\\d)-(?!\\S*\\d))", "");