使用正则表达式JAVA将文本拆分为段落

我有一个包含一些数据的文本文件。所有段落都以四个空格开头。我的目标是把这篇文章分成几段

首先，我使用以下方法阅读全文：

    public String parseToString(String filePath) throws  IOException{
        return new String(Files.readAllBytes(Paths.get(filePath)), StandardCharsets.UTF_8);
    }

然后我使用以下代码拆分字符串：

    private static final String PARAGRAPH_SPLIT_REGEX = "(^\\s{4})";
    public void parseText(String text) {
        String[] paragraphs = text.split(PARAGRAPH_SPLIT_REGEX);
        for (int i = 0; i < paragraphs.length; i++) {
            System.out.println("Paragraph: " + paragraphs[i]);
        }
    }

输出为：

Paragraph: 
Paragraph: Hello, World!!!
    Hello, World!!!

---

我做错了什么？

您的正则表达式应该是

\\s{4}

开头没有

^

。

^

默认情况下表示字符串的开头，而不是行的开头。如果您想让它代表行的开始，您需要将标志添加到正则表达式

（？m）

也考虑使用java 8中的前瞻性。

因此，请尝试使用这个正则表达式：

private static final String PARAGRAPH_SPLIT_REGEX = "(?m)(?=^\\s{4})";

要消除不需要的分隔符，如字符串开头或结尾的空格或新行，只需使用

trim

方法，如

public static void parseText(String text) {
    String[] paragraphs = text.split(PARAGRAPH_SPLIT_REGEX);
    for (String paragraph : paragraphs) {
        System.out.println("Paragraph: " + paragraph.trim());
    }
}

例如：

 String s = 
        "    Hello, World!\r\n" + 
        "    Hello, World!\r\n" + 
        "    Hello, World!";
 parseText(s);

输出：

Paragraph: Hello, World!
Paragraph: Hello, World!
Paragraph: Hello, World!

---

Java 8之前的版本：

如果您需要在旧版本的Java上使用此代码，则需要防止在字符串的开头拆分（以避免第一个元素为空）。要做到这一点，您可以在miltiline标志之前使用

（？！^）

。这样，

^

之前的

（？m）

仍然只能表示字符串的开头，而不能表示行的开头。或者更明确地说，您可以使用表示字符串开头的

\A

，而不考虑多行标志

因此，Java8之前版本的正则表达式看起来像

private static final String PARAGRAPH_SPLIT_REGEX = "(?!^)(?m)(?=^\\s{4})";

或

---

你的预期输出是什么？逐行阅读。然后使用正则表达式。文档：

^

在这里是必要的，否则我们也会在段落内的四个空格上分开（我假设这样的文本是可能的，尽管可能性不大）。另外，

\\s

表示行分隔符，这意味着我们可以最终将像

foo\r\n\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuubar“

（有4个空格由

\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu/code>表示）这样的文本拆分为
和
“\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。
private static final String PARAGRAPH_SPLIT_REGEX = "(?!^)(?m)(?=^\\s{4})";

private static final String PARAGRAPH_SPLIT_REGEX = "(?m)(?!\\A)(?=^\\s{4})";