java - 从java中的给定文本中提取阿拉伯语短语

Question

你能帮我找到一个包含短语列表的正则表达式，并检查给定文本中是否存在这些短语之一吗？

例子:

如果我在hashSet中有以下的话:

كيف الحال  
إلى أين  
أين يوجد  
هل من أحد هنا  

给定的文本是:كيف الحال أتمنى أن تكون بخير

我想在执行正则表达式之后得到:

我的初始代码:

HashSet<String> QWWords = new HashSet<String>();

QWWords.add("كيف الحال");
QWWords.add("إلى أين");
QWWords.add("أين يوجد");
QWWords.add("هل من أحد هنا");

String s1 = "كيف الحال أتمنى أن تكون بخير";

for (String qp : QWWords) {

    Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

    Matcher m = p.matcher(s1);

    String found = "";

    while (m.find()) {
        found = m.group();
        System.out.println(found);

    }

}

Answer 1

[...] 是 character class字符类只能匹配它指定的一个字符。例如像[abc]这样的字符类只能匹配a OR b OR c。因此，如果您只想查找单词 abc，请不要将其包围在 [...] 中。

另一个问题是你使用 \\s 作为单词分隔符，所以在下面的 String 中

String data = "foo foo foo foo";

正则表达式 \\sfoo\\s 将无法匹配第一个 foo 因为前面没有空格。
所以它会找到的第一个匹配项是

String data = "foo foo foo foo";
//      this one--^^^^^

现在，由于正则表达式在第二个 foo 之后消耗了空间，它不能在下一个匹配中重用它，所以第三个 foo 也将被跳过，因为没有可用空间来匹配在它之前。
您也不会匹配 foo，因为这次 之后没有空格。

要解决此问题，您可以使用 \\b - word boundary它检查它代表的位置是否在字母数字字符和非字母数字字符之间(或字符串的开头/结尾)。

所以代替

Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

使用

Pattern p = Pattern.compile("\\b" + qp + "\\b");

或者更好的是 Tim mentioned

Pattern p = Pattern.compile("\\b" + qp + "\\b",Pattern.UNICODE_CHARACTER_CLASS);

确保 \\b 将在预定义的字母数字类中包含阿拉伯字符。

更新:

我不确定你的话是否可以包含正则表达式元字符，如 { [ + * 等等，以防万一，您还可以添加转义机制以将此类字符更改为文字。

所以

"\\b" + qp + "\\b"

可以变成

"\\b" + Pattern.quote(qp) + "\\b"