java - 按标点符号保存分割

Question

我需要将 Java 字符串安全地拆分为单词和标点符号。

我已经尝试过这段代码，但有问题，它不能正确分隔括号。

String sentenceString = "Hello from the outside(outside).";
sentenceString.split("(?=,|\\.|!|\\?|\\(|\\))|\\s");

实际结果是

["Hello", "from", "the", "outside", "", "(outside", ")", "."]

预期结果应该是

["Hello", "from", "the", "outside", "(", "outside", ")", "."]

Answer 1

您应该尝试匹配正则表达式来获得所需的输出，而不是拆分。尝试在 Java 中使用这个正则表达式，

[a-zA-Z]+|\\p{Punct}

这里 [a-zA-Z]+ 部分匹配一个或多个字母，\\p{Punct} 部分匹配任何标点符号，如果您熟悉POSIX表示，那么它相当于[[:punct:]]。尝试将类似解决方案应用于支持 POSIX 表示的语言/工具的人们可以使用 [a-zA-Z]+|[[:punct:]] 正则表达式。

Java 代码，

List<String> list = new ArrayList<String>();
String s = "Hello from the outside(outside).";
Pattern p = Pattern.compile("[a-zA-Z]+|\\p{Punct}");
Matcher m = p.matcher(s);
while (m.find()) {
    list.add(m.group());
}
System.out.println(list);

按照您想要的方式打印输出，

[Hello, from, the, outside, (, outside, ), .]

编辑:感谢Andreas感谢他的好建议。如果您不仅想包含英语字母，还想包含其他语言的字母，那么最好使用此正则表达式，

\\p{L}+|\\p{P}

因为，\\p{L} 不仅涵盖英语，还涵盖以 Unicode 表示的任何其他语言的字母表。

但是，请注意，这可能会稍微增加性能成本，因为现在，它可能不仅尝试匹配 [a-z]，还尝试匹配其他 Unicode 字符。因此需要进行一些权衡，因此请使用更适合您需求的那个。

再次感谢 Andreas 的宝贵建议。