Java正则表达式，信号词和停止词列表的筛选文档

我想筛选文档中的特定关键字，例如：

ausschreibungs id|ausschreibungs-id|ausschreibungsid|ausschreibungsnummer|chiffre nummer|chiffre-nummer|chiffrenr.|chiffre nr.|chiffre-nr.|chiffrenummer|chiffre code|chiffre-code|chiffrecode|chiffre|job-id|job-nr.|job-nr|job id|job nr.|jobnummer|jobnr.|jobid|jobcode|job nr.|ziffer|kennziffer|kennz.|referenz code|referenz-code|referenzcode|ref. nr.|ref. id|ref id|ref.id|ref.-nr.|ref.- nr.|referenz nummer|referenznummer|referenz nr.|referenz-nr.|referenznr.|referenz|referenznummer der stelle|id#|id #|stellenausschreibung nr.|stellenausschreibung nr|stellenausschreibungs nr.|stellenausschreibungs-nr.|stellenausschreibungsnr.|stellenangebots id|stellenangebots-id|stellenangebotsid|stellen id|stellen-id|stellenid|stellenreferenz|stellen-referenz|ref.|st.nr.|stellennumer|st.-nr.|st. nr.|kenn-nr.|positionsnummer|kennwort|stellenkey|stellencode|job-referenzcode|bewerbungskennziffer|projekt id|projekt-id|reference number|reference no.|reference code|job code|job id|job vacancy no.|job-ad-number|auto req id|job ref|kennziffer|

通常，在这些关键字之后，会出现一个带有小数、特殊字符或字母字符的奇怪字符串，如“AE_0394-33”或类似的字符，它可能是任何正常的单词等。。。但通常，十进制数字在该字符串中经常出现（或至少出现一次）

我想根据可能的信号关键字列表之后的所有内容过滤文档（后面是一个空格，然后是一个奇怪的字符串，后面是另一个空格）。我要筛选的匹配字符串通常是一个完整的字符串，中间没有空格

我还有一个Stopwords列表，我的想法是删除所有单词或那些Stopwords后面的句子，以减少可能匹配的候选数量，直到出现一个“.”（完成句子）

这些停止语列表可以是：

der|des|das|die|dem|den|ein|eine|diese|diese|dieser|es|sie|wir|unser|ihr|dein|nr|und|hier|oder|wie|an|angeben|mitteilen|id|nicht|einsatzort|bereit|vorzugsweise|ausschließlich|nummer|hiermit|für|auf|was|code|nr.|#||bzw.|via|von|zu|Anzahl|zum|zur|bis|ab|gerne||job|+49|tel|telefon|fax|plz|hausnr.|hausnummer|email|e-mail|veröffentlichung|veroeffentlichung|

我只是在制定正则表达式时遇到了一个问题，需要考虑关键字后面的单词，或者在其他方面，过滤掉停止词后面的单词或句子

我在考虑一个前缀词或关键字的列表，然后我要么在关键字后面取一个单词边界，要么取一整串单词，直到小数点出现

我在这里尝试一个正则表达式：

对于关键字，但我不知道如何将这些单词标记为交替单个单词的前缀列表，后跟另一个单词

例如：

---

[关键字列表]*空白*\s+（.*）\s+

关于您的更新。你可以用

(?:Stellenreferenz:|Referenznummer:|Stellenausschreibung Nr\.)\s*(\S+)

见

详细信息

• （？：StellenReference:| ReferenceNummer:| Stellenausschreibung Nr\）

  -与您定义的任何停止词匹配的非捕获组

• \s*

  -0+空格

• （\S+）

  -组1：一个或多个非空白字符

:

输出：

INDUSTRY
21533448-JOtest
PD-666/19

---

如果您需要在关键字列表后获取非空白字符文本块，请捕获它：

（？：您的| stopwords | here）\s+（\s+）

。您的编辑非常不清楚：即使是一整句话，直到“.”都是什么意思？如果您需要了解第一个

，请使用

（？：your | stopwords | here）\s+（[^.]+）

@WiktorStribiżew，我会使用look behind和word boundary

（？@SharonBenAsher不需要使用lookbehinds，因为不需要重叠匹配，在Java代码中，您仍然需要从
组（）获取字符串值）
。此外，
\b
是一个零宽度断言，
（？感谢您的工作，并且在一些关键字之后排除了文本，我该如何做？使用（？）单词列表）（\S+）和替换所有（组（0），“”）替换
\\S*（\\S+）
替换为
\\S*+（？！（？：您的例外情况在这里）（？！\\S+）（\\S+）“谢谢”，但是不知怎么的，它并没有那么好地工作……考虑这句话：“柏林KenZiffer-19-34-8 abab斯特拉E 2-1223 45”我想抓住所有关键字后“KnnZiffER”，但我想打破或替换当关键字“斯特拉”E是类似的，但它应该忽略包含“斯特拉”的整个单词。或任何其他stopwords@user2774480贪婪的量词将获取您所期望的
\s*
将获取的所有内容。将
（.*）（\s*）（？=\w*
替换为
（.*）（？=\b\w*
），然后在使用前修剪结果。
Stellenausschreibung Nr. PD-666/19

Parkwe 103 33 /  sss968 Kasn 
            "FFFF\r\n" 
            "E-Mail: Test.Ticfffsssis-Jsdf741@drbsdfil.deeddilProtedddctor.adasdilto(\"ep_5b0224b6\", 1); 
            "Tel: (33 21) 23 42 117-3 \r\n" + 

            "Jetzt bewerben
            "  2018-12-04 nicht-medsdfs asfal";

(?:Stellenreferenz:|Referenznummer:|Stellenausschreibung Nr\.)\s*(\S+)

String s = "Referenznummer: INDUSTRY Kontakt: ZAsdfsdfS Herr Andrafgdh Neue Str. 7 21244 Buchholz +42341 22322 mdjob.bu44lz@zaqusssis.de Stellenanzeige teilen: Jetzt online bewerben! oder bewerben Sie sich mit\n" +
                "Geben Sie bei Ihrer Bewerbung die Stellenreferenz und die Stellenbezeichnung an! \n" +
                "Stellenreferenz:   21533448-JOtest\n\n" +
                "Stellenausschreibung Nr. PD-666/19";
Pattern pattern = Pattern.compile("(?:Stellenreferenz:|Referenznummer:|Stellenausschreibung Nr\\.)\\s*(\\S+)");
Matcher matcher = pattern.matcher(s);
while (matcher.find()){
    System.out.println(matcher.group(1)); 
} 

INDUSTRY
21533448-JOtest
PD-666/19