Java 带符号的拉丁正则表达式

我需要拆分一个文本，只得到单词，数字和连字号组成的单词。我还需要得到拉丁语单词，然后我使用了

\p{L}

，这给了我é，úüã，等等。例如：

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 );

正则表达式的解释是：

[^\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.

---

如果我对您要求的理解正确，此正则表达式将符合您的要求：

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

它将匹配：

• Unicode字符的连续序列。我将其限制为拉丁语脚本，因为

  \p{L}

  将匹配任何脚本中的字母。如果您的Java版本不支持语法，请将

  \\p{IsLatin}

  更改为

  \\pL

• 或几个这样的序列，连字符
• 或连续的十进制数字序列（0-9）

上面的正则表达式将通过调用

模式来使用。编译
，并调用
匹配器（字符串输入）
，以获得
匹配器
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());
}

如果要允许带撇号的单词
”
：

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

我还在character类
['\\-]
中转义
-
，以防您想添加更多。实际上，
-
如果它是字符类中的第一个或最后一个，则不需要转义，但为了安全起见，我还是转义它。
带有
[]
的正则表达式集描述只能包含字母、类（
\p{…}
）、序列（例如
A-z
）和补码（
^
）。您必须将正在使用的其他魔法字符（
+*（）
）放置在
[]
块之外。
如果字符类的开头括号后面跟着
^
，则不允许在类内列出字符。因此，您的正则表达式允许除unicode字母、
+
、
（
、
-
、
）
、
*
和数字出现一次或多次之外的任何内容

请注意，像
+
，
（
，
）
，
*
等字符在字符类中没有任何特殊含义

pattern.split的作用是在匹配正则表达式的模式处拆分字符串。您的正则表达式匹配空格，因此每次出现一个或多个空格时都会发生拆分。所以结果就是这样

例如，考虑这个

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

输出将是

==>sd

==>

=>f g

你对正则表达式的理解是不正确的<代码>[]
是字符类，只匹配一个字符。是的，它是除此之外的任何字符，因为它用于拆分文本。请参阅：pattern.split（myText）@ManoelMerc我想你误解了pattern.splitIt给了我一个错误：索引12[^\p{IsLatin}+（？：-\p{IsLatin}+）*|\d+]@ManoelMerc附近的未知字符属性名{Latin}+（？：-\p{IsLatin}+）@ManoelMerc:代码可以在Java 7上运行。如果您的版本不支持，则可以恢复到
\\p{L}
。不要修改正则表达式！好啊我们快到了！我可以得到所有的字没有错误！谢谢！但管道符号“|”也作为一个单词匹配。我修不好！这是我的代码：Pattern Pattern=Pattern.compile（\\p{L}+（？：-\\p{L}+）*|\\d+）；Matcher Matcher=pattern.Matcher（strText.toLowerCase（））；ArrayList words=新的ArrayList（）；while（matcher.find（））{words.add（matcher.group（））；}返回words.toArray（新字符串[words.size（））@ManoelMerc:
|
从未作为单词匹配。这只是正则表达式中的交替。一些结果是：“dresse”//OK“sud est”//OK“|”//错了编译器认为pipe“|”是一个单词，而它不是。我已将其更改为“\（++124;\）+\*++\\\\\\\\\+\\-+\\\+\\[^\\ p{L}+（\-\\p{L}+*\\\\\\+\\\\\\+\\+\\+\\+\\+\+\+\+\\+\\\\\\+++\\\\\+++\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\反正是匹配的…：-(
Pattern pattern = Pattern.compile("a");
    for (String s : pattern.split("sda  a  f  g")) {
        System.out.println("==>"+s);
    }