Что такое граница слова в регулярных выражениях?
-
19-09-2019 - |
Вопрос
Я использую регулярные выражения Java в Java 1.6 (в частности, для анализа числового вывода) и не могу найти точное определение \b
(«граница слова»).Я предполагал, что -12
будет «целочисленным словом» (соответствует \b\-?\d+\b
), но, похоже, это не работает.Я был бы признателен, если бы узнал о способах сопоставления чисел, разделенных пробелами.
Пример:
Pattern pattern = Pattern.compile("\\s*\\b\\-?\\d+\\s*");
String plus = " 12 ";
System.out.println(""+pattern.matcher(plus).matches());
String minus = " -12 ";
System.out.println(""+pattern.matcher(minus).matches());
pattern = Pattern.compile("\\s*\\-?\\d+\\s*");
System.out.println(""+pattern.matcher(minus).matches());
Это возвращает:
true
false
true
Решение
Граница слова в большинстве диалектов регулярных выражений — это позиция между \w
и \W
(символ, не являющийся словом), или в начале или конце строки, если она начинается или заканчивается (соответственно) символом слова ([0-9A-Za-z_]
).
Итак, в строке "-12"
, оно будет соответствовать до 1 или после 2.Тире не является словесным символом.
Другие советы
Граница слова может находиться в одной из трех позиций:
- Перед первым символом строки, если первый символ является символом слова.
- После последнего символа в строке, если последний символ является символом слова.
- Между двумя символами в строке, один из которых является словесным символом, а другой не является словесным символом.
Символы слова являются буквенно-цифровыми;знака минус нет.Взято из Учебник по регулярным выражениям.
Граница слова — это позиция, которой либо предшествует словесный символ и не следует за ним, либо за которой следует словесный символ и которому не предшествует ни один.
Я говорю о том, что \b
Границы регулярных выражений в стиле на самом деле являются здесь.
Короче говоря, они условный.Их поведение зависит от того, с чем они находятся рядом.
# same as using a \b before:
(?(?=\w) (?<!\w) | (?<!\W) )
# same as using a \b after:
(?(?<=\w) (?!\w) | (?!\W) )
Иногда это не то, чего вы хотите.Смотрите мой другой ответ для уточнения.
Ознакомьтесь с документацией по граничным условиям:
http://java.sun.com/docs/books/tutorial/essential/regex/bounds.html
Посмотрите этот образец:
public static void main(final String[] args)
{
String x = "I found the value -12 in my string.";
System.err.println(Arrays.toString(x.split("\\b-?\\d+\\b")));
}
Когда вы распечатаете его, обратите внимание, что результат выглядит следующим образом:
[Я нашел значение - в своей строке.]
Это означает, что символ «-» не считается находящимся на границе слова, поскольку он не считается символом слова.Похоже, @brianary немного опередил меня, поэтому он получил положительный голос.
Я столкнулся с еще более серьезной проблемой при поиске в тексте таких слов, как .NET
, C++
, C#
, и C
.Вы могли бы подумать, что программисты знают, что лучше не называть язык чем-то, для чего сложно написать регулярные выражения.
Во всяком случае, вот что я узнал (в основном из http://www.regular-expressions.info, отличный сайт):В большинстве разновидностей регулярных выражений символы, соответствующие классу сокращенных символов. \w
— это символы, которые рассматриваются как символы слова по границам слов.Ява является исключением.Java поддерживает Unicode для \b
но не для \w
.(Я уверен, что в то время для этого была веская причина).
А \w
означает «символ слова».Он всегда соответствует символам ASCII. [A-Za-z0-9_]
.Обратите внимание на подчеркивание и цифры (но не тире!).В большинстве версий, поддерживающих Unicode, \w
включает в себя множество персонажей из других сценариев.Существует много несоответствий относительно того, какие персонажи на самом деле включены.Обычно включаются буквы и цифры алфавитного алфавита и иероглифов.Знаки пунктуации соединителя, кроме подчеркивания и числовых символов, не являющихся цифрами, могут включаться или не включаться.XML-схема и XPath даже включают все символы в \w
.Но Java, JavaScript и PCRE сопоставляют только символы ASCII с \w
.
Вот почему регулярное выражение на основе Java ищет C++
, C#
или .NET
(даже если вы не забываете избегать точки и плюсов) облажались \b
.
Примечание:Я не знаю, что делать с ошибками в тексте, например, когда кто-то не ставит пробел после точки в конце предложения.Я это допустил, но не уверен, что это обязательно правильно.
В любом случае, в Java, если вы ищете текст для языков со странными названиями, вам нужно заменить \b
с пробелами до и после и знаками препинания.Например:
public static String grep(String regexp, String multiLineStringToSearch) {
String result = "";
String[] lines = multiLineStringToSearch.split("\\n");
Pattern pattern = Pattern.compile(regexp);
for (String line : lines) {
Matcher matcher = pattern.matcher(line);
if (matcher.find()) {
result = result + "\n" + line;
}
}
return result.trim();
}
Затем в вашем тесте или основной функции:
String beforeWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|^)";
String afterWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|$)";
text = "Programming in C, (C++) C#, Java, and .NET.";
System.out.println("text="+text);
// Here is where Java word boundaries do not work correctly on "cutesy" computer language names.
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for .NET="+ grep("\\b\\.NET\\b", text));
System.out.println("Should find: grep exactly for .NET="+ grep(beforeWord+"\\.NET"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for C#="+ grep("\\bC#\\b", text));
System.out.println("Should find: grep exactly for C#="+ grep("C#"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java:grep with word boundary for C++="+ grep("\\bC\\+\\+\\b", text));
System.out.println("Should find: grep exactly for C++="+ grep(beforeWord+"C\\+\\+"+afterWord, text));
System.out.println("Should find: grep with word boundary for Java="+ grep("\\bJava\\b", text));
System.out.println("Should find: grep for case-insensitive java="+ grep("?i)\\bjava\\b", text));
System.out.println("Should find: grep with word boundary for C="+ grep("\\bC\\b", text)); // Works Ok for this example, but see below
// Because of the stupid too-short cutsey name, searches find stuff it shouldn't.
text = "Worked on C&O (Chesapeake and Ohio) Canal when I was younger; more recently developed in Lisp.";
System.out.println("text="+text);
System.out.println("Bad word boundary because of C name: grep with word boundary for C="+ grep("\\bC\\b", text));
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
// Make sure the first and last cases work OK.
text = "C is a language that should have been named differently.";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
text = "One language that should have been named differently is C";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
//Make sure we don't get false positives
text = "The letter 'c' can be hard as in Cat, or soft as in Cindy. Computer languages should not require disambiguation (e.g. Ruby, Python vs. Fortran, Hadoop)";
System.out.println("text="+text);
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
P.S.Моя благодарность http://regexpal.com/ без которого мир регулярных выражений был бы очень несчастен!
В ходе изучения регулярных выражений я действительно застрял в метасимволе, который \b
.Я действительно не понял его смысла, пока спрашивал себя: "что это такое, что это такое"неоднократно.После некоторых попыток с помощью веб-сайт, я обращаю внимание на розовые вертикальные черточки в начале и в конце слов.В то время я хорошо понял это значение.Это сейчас точно слово(\w
)-граница.
Моя точка зрения просто очень ориентирована на понимание.Логику этого следует изучить на основе других ответов.
Я хотел бы объяснить Алан Мурответ
Граница слова — это позиция, которой либо предшествует словесный символ и не следует за ним, либо за которой следует словесный символ и которому не предшествует ни один.
Предположим, у меня есть строка «Это а сат и она акруто», и я должен заменить все вхождения буквы «а», только если эта буква существует в «Граница слова» то естьписьмо a
внутри «кот» не следует заменять.
Итак, я выполню регулярное выражение (в Питон) как
re.sub("\ba","e", myString.strip())
//заменять a
с e
Так что вывод будет e
сат e
и она e
потрясающий
Я считаю, что ваша проблема связана с тем, что -
не является словесным символом.Таким образом, граница слова будет совпадать после -
, и поэтому не захватит его.Границы слов совпадают перед первым и после последнего символа слова в строке, а также в любом месте, где перед ним стоит символ слова или несловный символ, а после него — наоборот.Также обратите внимание, что граница слова соответствует нулевой ширине.
Одной из возможных альтернатив является
(?:(?:^|\s)-?)\d+\b
Это будет соответствовать любым числам, начинающимся с пробела и необязательного тире и заканчивающимся границей слова.Он также будет соответствовать числу, начинающемуся с начала строки.
Граница слова \b используется там, где одно слово должно быть словесным символом, а другое - несловным символом.Регулярное выражение для отрицательного числа должно быть
--?\b\d+\b
проверить работу ДЕМО
Я думаю, что это граница (т.символ, следующий за ним) последнего совпадения или начало или конец строки.
когда ты используешь \\b(\\w+)+\\b
это означает точное совпадение со словом, содержащим только символы слова ([a-zA-Z0-9])
в вашем случае например настройка \\b
в начале регулярного выражения примет -12
(с пробелом), но опять не принимает -12
(без пробела)
для справки, чтобы поддержать мои слова: https://docs.oracle.com/javase/tutorial/essential/regex/bounds.html