java - 一个词是否由土耳其语字符(可能带有数字)组成？

Question

我有一个包含单词的语料库。我想对他们做一个分析。我接受它们是土耳其字符，但其中一些不是。所以我想检查一个词是否不包含土耳其字符或数字。我的意思是:

hey4    valid
33      valid
kırp    valid
vxz     invalid
ğşiüçö  valid
xwq     invalid

如何快速检查(是否使用正则表达式)。我有数百万个标记，我想删除其中一些我知道它们不是土耳其语的标记，因为它们包含非土耳其语字符。

Answer 1

看来你可以寻找类似的东西

String[] data = {
        "hey4", //     valid
        "33",   //     valid
        "kırp", //     valid
        "vxz",  //     invalid
        "ğşiüçö",//    valid
        "xwq",  //     invalid
};
Pattern p = Pattern.compile("[abcçdefgğhıijklmnoöprsştuüvyz\\d]+",
        Pattern.CASE_INSENSITIVE);
// just in case shorter version of regex "[0-9a-pr-yzçğıöşü]+"
for (String s : data)
    System.out.println(s + "\t > " + p.matcher(s).matches());

输出:

hey4    > true
33      > true
kırp    > true
vxz     > false
ğşiüçö  > true
xwq     > false