带符号的拉丁正则表达式

Question

我需要拆分文本并仅获取单词、数字和连字符组成的单词。我还需要获取拉丁词，然后我使用了\\p{L}，它给了我 \xc3\xa9、\xc3\xba \xc3\xbc \xc3\xa3 等等。例子是：

\n\n

String myText = "Some latin text with symbols, ? 987 (A la pointe sud-est de l\'\xc3\xaele se dresse la cath\xc3\xa9drale Notre-Dame qui fut lors de son ach\xc3\xa8vement en 1330 l\'une des plus grandes cath\xc3\xa9drales d\'occident) : ! @ # $ % ^& * ( ) + - _ #$% "  \' : ; > < / \\  | ,  here some is wrong\xe2\x80\xa6 * + () e -"\n\nPattern pattern = Pattern.compile("[^\\\\p{L}+(\\\\-\\\\p{L}+)*\\\\d]+");\nString words[] = pattern.split( myText );\n

\n\n

这个正则表达式有什么问题？"("为什么它匹配、"+"、"-"、"*"等符号"|"？

\n\n

一些结果是：

\n\n

dresse     // OK\nsud-est    // OK\noccident)  // WRONG\n987        // OK\n()         // WRONG\n(a         // WRONG\n*          // WRONG\n-          // WRONG\n+          // WRONG\n(          // WRONG\n|          // WRONG\n

\n\n

正则表达式的解释是：

\n\n

[^\\p{L}+(\\-\\p{L}+)*\\d]+\n\n * Word separator will be:\n *     [^  ...  ]  No sequence in:\n *     \\p{L}+        Any latin letter\n *     (\\-\\p{L}+)*   Optionally hyphenated\n *     \\d            or numbers\n *     [ ... ]+      once or more.\n

\n

Answer 1

如果我对您的要求的理解是正确的，这个正则表达式将匹配您想要的：

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

它将匹配：

• Unicode拉丁字母字符的连续序列。我将其限制为拉丁字母，因为它将匹配任何\p{L}字母中的字母。如果您的 Java 版本不支持该语法，请更改为。\\p{IsLatin}\\pL
• 或者几个这样的序列，用连字符连接
• 或连续的十进制数字序列 (0-9)

上面的正则表达式是通过调用Pattern.compile, 和 callmatcher(String input)来使用来获取Matcher对象，并使用循环来查找匹配项。

Pattern pattern = Pattern.compile("\\p{IsLatin}+(?:-\\p{IsLatin}+)*|\\d+");
Matcher matcher = pattern.matcher(inputString);

while (matcher.find()) {
    System.out.println(matcher.group());
}

如果您想允许带有撇号的单词'：

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

我还在-角色类中转义['\\-]，以防万一您想添加更多内容。如果它是字符类中的第一个或最后一个，实际上-不需要转义，但为了安全起见，我还是转义了它。