java中如何使用正则表达式删除某些字符

Question

一般问题是：如何解析一个字符串并消除标点符号并替换其中的一些？

我正在尝试修改一些输入文本。情况是我有一个普通的文本文件，带有标点符号，我想将它们全部删除。如果 Symbol 是一个 . ！？ ...我想用“”字符串替换它。

我从未使用过正则表达式，所以我尝试了字符串比较，但显然这对所有情况都不够。如果有两个标点符号我就麻烦了；就像在文本 "the second Day (the 4ht)." 中，当我有 ) 时。在一起。

例如，根据给定的输入，我期望以下内容：

Input :  [...] at it!" This speech caused
Excpected output : at it <s> this speech caused

我代码中的每个单词都添加到 ArrayList 中，因为我需要稍后使用它。

非常感谢！

FileInputStream fileInputStream = new FileInputStream("TEXT.txt");
InputStreamReader inputStreamReader = new InputStreamReader(
        fileInputStream, "UTF-8");
BufferedReader bf = new BufferedReader(inputStreamReader);

words.add("<s>");
String s;
while ((s = bf.readLine()) != null) {
    String[] var = s.split(" ");

    for (int i = 0; i < var.length; i++) {
        if (var[i].endsWith(",") || var[i].endsWith(")")
                || var[i].endsWith("(") || var[i].endsWith(":") 
                ||  var[i].endsWith(";") ||var[i].endsWith("'")) {
            var[i] = var[i].substring(0, var[i].length() - 1);
            words.add(var[i].toLowerCase());
        } else if ( var[i].startsWith("'")) {
            var[i] = var[i].substring(1, var[i].length() );
            words.add(var[i].toLowerCase());
        } else if (var[i].endsWith(".") || var[i].endsWith("...")
                || var[i].endsWith("!") || var[i].endsWith("?")) {
            var[i] = var[i].substring(0, var[i].length() - 1);
            words.add(var[i].toLowerCase());
            words.add("<s>");
        } else {
            words.add(var[i].toLowerCase()); // 
            // System.out.println("\n neu eingelesenes Wort: " + var[i]);
        }}
}

Answer 1

您的代码显示了很多条件，但我们假设您只想替换“.”、“?”或“!”的所有实例。字符。

定位这些字符的正则表达式是 [.!?] 括号的意思是 "character class"，这意味着它匹配括号内的任何这些字符，但不是他们都。这允许我们指定多个字符进行匹配。

假设您已将整个文件加载到字符串名称 "myText"。

myText.replaceAll(new Regex("[.!?]", "");

就是这样！现在，如果您有条件只能将它们从某些使事情复杂化的地方移除。如果您需要有关条件的信息，请编辑您的 post 以包括所有不应发生这种情况的特殊情况。

注意： 由于您显然没有将整个文件加载到单个字符串中，因此您可以在使用时继续对正在读取的字符串调用此方法缓冲区。

Answer 2

首先使用正则表达式过滤掉标点符号，然后用 space 拆分并将结果添加到您的列表中：

FileInputStream fileInputStream = new FileInputStream("TEXT.txt");
InputStreamReader inputStreamReader = new InputStreamReader(
        fileInputStream, "UTF-8");
BufferedReader bf = new BufferedReader(inputStreamReader);
words.add("<s>");
String s;
while ((s = bf.readLine()) != null) {
    s = s.replaceAll("[^a-zA-Z ]", ""); // replace all non-word/non-space characters with an empty string
    String[] var = s.split(" ");
    words.addAll(var);
}

Answer 3

你必须使用

String.replaceAll(<your RegEx>, "");

要构建您的 RegEx（并了解它们的工作原理），您可以使用 https://regexr.com

注意：您需要将输出中的所有 \ 替换为 \\ 以符合 java 的转义规则。

java中如何使用正则表达式删除某些字符

How to use regular expressions in java to remove certain characters

java

regex

string

punctuation