Question

你能帮我找到一个带有短语列表的正则表达式，并检查给定文本中是否存在其中一个短语吗？

示例：

如果我在hashSet中有以下字词：

كيف الحال  
إلى أين  
أين يوجد  
هل من أحد هنا

给定的文字是：كيف الحال أتمنى أن تكون بخير

我想在执行正则表达式之后得到：كيف الحال

我的初始代码：

HashSet<String> QWWords = new HashSet<String>();

QWWords.add("كيف الحال");
QWWords.add("إلى أين");
QWWords.add("أين يوجد");
QWWords.add("هل من أحد هنا");

String s1 = "كيف الحال أتمنى أن تكون بخير";

for (String qp : QWWords) {

    Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

    Matcher m = p.matcher(s1);

    String found = "";

    while (m.find()) {
        found = m.group();
        System.out.println(found);

    }

}

Answer 1

[...]是character class，字符类只能匹配它指定的一个字符。例如，[abc]之类的字符类只能匹配a OR b或c。因此，如果您只想找到单词abc，请不要使用[...]将其包围。

另一个问题是您使用\\s作为单词分隔符，因此在跟随字符串

中

String data = "foo foo foo foo";

正则表达式\\sfoo\\s将无法与第一个foo匹配，因为之前没有空格。
所以首先匹配它会发现

String data = "foo foo foo foo";
//      this one--^^^^^

现在，由于正则表达式在第二个foo之后消耗了空间，因此无法在下一个匹配中重复使用它，因此也会跳过第三个foo，因为在它之前没有可用空间匹配。
您也不会匹配foo，因为这次之后没有空格。

要解决此问题，您可以使用\\b - word boundary检查它所代表的位置是否在字母数字和非字母数字字符之间（或字符串的开头/结尾）。

所以而不是

Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

使用

Pattern p = Pattern.compile("\\b" + qp + "\\b");

或者可能更好Tim mentioned

Pattern p = Pattern.compile("\\b" + qp + "\\b",Pattern.UNICODE_CHARACTER_CLASS);

确保\\b在预定义的字母数字类中包含阿拉伯字符。

更新：

我不确定您的字词是否可以包含{ [ + *等正则表达式元字符，以防万一您也可以添加转义机制将这些字符更改为文字。

所以

"\\b" + qp + "\\b"

可以成为

"\\b" + Pattern.quote(qp) + "\\b"

从java中的给定文本中提取阿拉伯语短语

1 个答案: