el uso de la función de escáner para delimitador “abc-def”

Question

Actualmente estoy tratando de filtrar un archivo de texto que contiene palabras separadas con un "-". Quiero contar las palabras.

scanner.useDelimiter(("[.,:;()?!\" \t\n\r]+"));

El problema que se produce simplemente es: las palabras que contienen un "-" se separarse y contados por ser dos palabras. Por lo que sólo escapar con \ -. No es la solución preferida

¿Cómo puedo cambiar el delimitador de expresión, por lo que palabras como "foo-bar" permanecerán, pero el "-" solo será filtrado y se ignoran

?

Gracias;)

Answer 1

OK, supongo que en su pregunta aquí: ¿Quiere decir que usted tiene un archivo de texto con un poco de prosa "real", es decir, frases que realmente tienen sentido, están separados por puntuacion y similares, etc., a la derecha

Ejemplo:

  

Esta situación se mejora - por lo que podemos decir - por el hecho de que nuestros aliados más confiables, el Vorgons, continúan manteniendo sus concursos de poesía; el enemigo tiene pocos incentivos para interferir con eso, incluso con sus dispositivos-O-Matic de silencio.

Por lo tanto, lo que tiene como delimitador es algo que es o bien cualquier cantidad de espacios en blanco y / o puntuacion (que ya ha cubierto con la expresión regular que mostró), o un guión que está rodeado por al menos un espacio en blanco a cada lado . El carácter de expresiones regulares a favor "o" es "|". Hay un acceso directo para la clase de caracteres de espacio en blanco (espacios, tabulaciones y saltos de línea) en muchas implementaciones de expresiones regulares:. "\ S"

"[.,:;()?!\"\s]+|\s+-\s+"

Answer 2

Si es posible tratar de utilizar las clases predefinidas ... hace que la expresión regular mucho más fácil de leer. Ver java.util.regex.Pattern para las opciones.

Tal vez esto es lo que busca:

string.split("\\s+(\\W*\\s)?"

lee:. Match 1 o caracteres de espacio en blanco más opcionalmente seguido de cero o más caracteres no palabra y un carácter de espacio en blanco

Answer 3

Esto no es muy simple. Una cosa a tratar sería {corriente delimeter-chars} {-o-más-guiones cero} {cero-o-más-corriente-delimeter-chars-o-guión}.

Puede ser que sea más fácil simplemente ignorar las palabras devueltas por el escáner que consisten enteramente de guiones

Answer 4

Scanner scanner = new Scanner("one   two2  -   (three) four-five - ,....|");
scanner.useDelimiter("(\\B+-\\B+|[.,:;()?!\" \t|])+");

while (scanner.hasNext()) {
    System.out.println(scanner.next("\\w+(-\\w+)*"));
}

Nota:

el método siguiente (String) afirma que se obtiene sólo palabras ya que el useDelimiter originales (método) no ve "|"

Nota:

que haya utilizado la expresión regular "\ r \ n | \ n" como terminador de línea. Los JavaDocs para java.util.regex.Pattern muestra otros terminadores de línea posibles, por lo que una comprobación más completa sería utilizar la expresión "\ r \ n | [\ r \ n \ u2028 \ u2029 \ u0085]"

Answer 5

Esto debería ser una bastante simple: [^\\w-]\\W*|-\\W+

• Pero, por supuesto, si se trata de prosa, y que desea excluir subraya :
  [^\\p{Alnum}-]\\P{Alnum}*|-\\P{Alnum}+
• o si no esperas numéricos:
  [^\\p{Alpha}-]\\P{Alpha}*|-\\P{Alpha}+

EDIT: Estas son las formas más fáciles. Tenga en cuenta la solución completa, que se ocuparía de guiones al principio y al final de las líneas que siguen este patrón. (?:^|[^\\w-])\\W*|-(?:\\W+|$)