java - Java正则表达式拆分保持收缩

Question

使用 split() 时，什么正则表达式可以让我保留所有单词字符，但也可以保留像 don't won't 这样的缩写。撇号两侧带有单词字符但删除任何前导或尾随撇号的任何内容，例如“tis or dogs”。

我有：

String [] words = line.split("[^\\w'+]+[\\w+('*?)\\w+]");

但它保留了前导和尾随标点符号。

的输入'Tis the season, for the children's happiness'.

将产生以下输出：Tis the season for the children's happiness

有什么建议吗？

Answer 1

我会认为：分裂：

• 撇号 + 至少一个无字char['-]\\W+，

• 或任何无字字符[^\\w'-]\\W*。

  String line = "'Tis the season, for the children's happiness'";
  String[] words = line.split("(['-]\\W+|[^\\w'-]\\W*)");
  System.out.println(Arrays.toString(words));
  

在这里，我添加-了撇号。

结果：

['Tis, the, season, for, the, children's, happiness']

添加开始和结束：

    String[] words = line.split("(^['-]|['-]$|['-]\\W+|[^\\w'-]\\W*)");

结果：

[, Tis, the, season, for, the, children's, happiness]

一开始会产生一个空字符串。

Answer 2

或者，您可以只匹配模式：

\w+('\w+)?

Answer 3

英语很烂。考虑以下伦敦：

“简说，‘你会很吓人的，山姆带着南瓜灯的儿子！’”双胞胎的鬼魂异口同声地说。

所有单词都使用以下方式匹配：

('?[\p{L}](-[^-])?('-)?(s'(?=\s))?)+

返回 16 个匹配项：

“ Jane said，‘ 'E'll be spooky，！Sam's son with the jack-o'-lantern’，” said the twins' ghosts—— in unison。

请注意，twins'是所有格，而不是收缩，并且是匹配的。然而，Sam's也是所有格，但与收缩没有区别——它需要一个精心设计的例外条款，因为它不是它的所有格：它是它的。

这将不包括“幸福”中的撇号，因为没有简单的方法来判断它是结束单引号还是所有格。

请参阅我的引号解析器KeenQuotes，它将通过将直引号字符 ( ') 转换为撇号 ( ') 或卷曲单引号 ( ‘, ’) 来处理许多场景。