如何使用StringToWordVector过滤器从阿拉伯文本中删除英文字母

Question

我正在尝试在我的阿拉伯文字上使用StringToWordVector过滤器，我想删除英文字母和数字以及表情符号“我的数据是推文”，我只想保留阿拉伯语单词。 有谁知道如何使用StringToWordVector过滤器执行此操作？ 顺便说一下，我正在使用带有Weka库的java。

Answer 1

您正在使用Java，因此请使用简单的字符串操作来保持简单。

删除拉丁字母和数字（英语使用）：

String cleaned = input.replaceAll("[a-zA-Z0-9]", "");

＆＃34;表情符号的定义＆＃34;是松散的，但要删除它们，请尝试：

String cleaned = input.replaceAll("[a-zA-Z0-9]|[:;]-?[()ODp]", "");