修改 Java 正则表达式以查找匹配项之前的单词

Question

正则表达式

\b(\w*)[[à-ü]|[À-Ü]]\b

查找以西班牙语波浪号（又名重音符号）结尾的单词。例如，在“Tengo algún Cafe”中，它匹配

algún

和

café

。

我想修改它，以便它捕获当前匹配项前面的单词。例如，在“El mandatario celebró en sus redes”中，它应该匹配

mandatario

。我对此正则表达式的 Java 实现特别感兴趣。

我尝试使用捕获组如下：

        Pattern pattern = Pattern.compile("\\b( \\w* )[[à-ü]|[À-Ü]]\\b");

然后提取

String precedingWord = matcher.group(1);

。然而，这并没有奏效。

Answer 1

例如，在“Tengo algún咖啡馆”中，它匹配algún和café。

不，没有。该正则表达式有太多错误，从哪里开始？

这不是

\b

的意思

\b

在基本模式下是 ascii 绑定的。所以，你会发现这种疯狂：

Pattern p = Pattern.compile("\\balgú\\b");
System.out.println(p.matcher("algún").find());

这会打印...

true

。这是疯狂的，因为它应该打印

false

。毕竟，我们的输入字符串中的

ú

之后没有“断词”。事实上，用普通的旧 ascii

u

替换它，你就会得到预期的

false

。

Pattern 类中对此的记录很差。正在发生的事情是，模式类试图与过时的仅 ascii 概念兼容，尽管 java 完全不是那样。因此，ú 被视为“不是单词字符”，因为它不在 a-z 范围内。我们需要告诉正则表达式不要做愚蠢的事情，我们用

(?U)

来打开“unicode 模式”。那么一切都好:

Pattern p = Pattern.compile("(?U)\\balgú\\b");
System.out.println(p.matcher("algún").find());

好吧，最后，

false

。这就是一个开始。

您忘记了带重音的字母之后的字母

你需要在里面塞另一个

\w*

。而且你不需要括号。

这不是角色类的工作方式

这个：

[[à-ü]|[À-Ü]]

是官样文章。在

[]

内，大多数标准正则表达式规则都不适用。

-

具有特殊含义，除非它位于开头或结尾（在

[]

之外不正确，其中

-

仅表示

-

）。

.

仅表示点（在

[]

之外表示“任何字符”），

+

仅表示+等等。特别是

|

只是表示 bar:

Pattern p = Pattern.compile("H[e|a]llo");
System.out.println(p.matcher("Hello").matches());
System.out.println(p.matcher("Hallo").matches());
System.out.println(p.matcher("H|llo").matches());

打印

true

... 3 次。并集（如“a 或 b”）在字符类中自动发生，如果需要交集，则需要

&&

（在 char 类中的特殊含义）。所以，你只想：

[à-üÀ-Ü]

除非你不想要那样。 unicode表中à和ü之间有一堆字符。例如，÷ 和 ø。当然 ÷ 不是您想要捕获的内容。最好明确地将它们全部列出来。

查找带有西班牙语波浪号（又名重音符号）的单词

好吧，那么，那就只是

ñ

然后：将

[à-ü]|[À-Ü]]

替换为

ñ

。或者，如果您确实想捕获 ú，例如

[ñúíáé]

- 将它们列出来。依赖 unicode 范围是自找麻烦。可能会出现一些问题，例如您无意中意外包含 ÷，并且正则表达式不建议这样做。

不要重新列出大写变体

您可以使用

(?i)

标志来打开不区分大小写模式。

让我们回顾一下

我们在：

Pattern p = Pattern.compile("(?Ui)\\b\\w*[ñáúíé]\\w*\\b");

它将匹配任何包含至少一个重音字符的单词。

现在..匹配它之前的单词

您为此使用正向前瞻：

Pattern p = Pattern.compile("(?Ui)\\b\\w+\\b(?=\\s+\\w*[ñáúíé]\\w*\\b)");
Matcher m = p.matcher("Tengo algún café");
while (m.find()) System.out.println("Found: " + m.group(0));

注意包含

\\s+

- 我们需要在某处消耗 Tengo 和 algún 之间的空间。正向前瞻要求括号中的内容存在，但不会消耗它。