英国收缩灾难

Question

背景

正在将直引号写入弯引号转换器，并希望将替换分为几个不同的步骤。第一步是使用已知缩略语的词典替换文本中的缩略语。这不会解决歧义，但应该将直引号用法转换为常见的缩略语。

问题

在 Java、\b 和 \w 中不包括撇号作为单词的一部分，这使得这个问题有点挑剔。问题在于匹配词：

包含一个或多个撇号，但不以一个撇号开头或结尾(inner);
以撇号开头，可以包含一个或多个，但不能以一个结尾(began);
以撇号结尾，可以包含一个或多个，但不能以一个开头(ended)；和
以撇号开头和结尾，但不能包含撇号（外部）。

代码

给定一些无意义的文本：

'Twas---Wha'? Wouldn'tcha'? 'Twas, or 'twasn't, 'tis what's 'tween dawn 'n' dusk 'n stuff. Cookin'? 'Sams' place, 'yo''

正则表达式应捕获以下单词：

内: what's
开始: 'Twas, 'Twas, 'twasn't, 'tis, 'tween, 'n
结束: Wha', Wouldn'tcha', Cookin'
外部: 'n', 'Sams', 'yo'

以下是无效的表达，杂乱无章的想法：

内: \p{L}+'\p{L}*\p{L}
开始: ((?<=[^\p{L}])|^)'\p{L}+('\p{L}|\p{L})?
结束: (\p{L}|\p{L}')+'(?=[^\p{L}]|$)

这个似乎有效：

外: ((?<=[^\p{L}])|^)'\p{L}+'(?!\p{L})

问题

哪些正则表达式可以正确地对这四组缩写进行分类？

Answer 1

这个正则表达式应该做你想做的。它使用命名的捕获组对具有适当环视的单词进行分类，以确保我们将整个单词与所需的外部引号相匹配：

(?<inner>(?<![\p{L}'])(?:\p{L}+')+\p{L}+(?![\p{L}']))|
(?<began>(?<!\p{L})(?:'\p{L}+)+(?![\p{L}']))|
(?<ended>(?<![\p{L}'])(?:\p{L}+')+(?!\p{L}))|
(?<outer>(?<!\p{L})'\p{L}+'(?!\p{L}))

Group inner 查找一个字符串，其中包含一些字母组，后跟一个引号 (?:\p{L}+')+，然后是一些字母 \p{L}+.

Group began 查找一个字符串，其中包含一些引号组，后跟一些字母 (?:'\p{L}+)+.

Group ended 查找一个字符串，其中包含一些字母组后跟一个引号 (?:\p{L}+')+.

Group outer 查找两端带引号且中间有一些字母的字符串 '\p{L}+'.

Demo on regex101

英国收缩灾难

English contraction catastrophes

java

regex

text-parsing

背景

问题

代码

问题