句子以拆分

Question

我有这样一句话：

String str = " And God said, <sup>c</sup>&#8220;Let there be light,&#8221; and there was light.";

我如何检索句子中的所有单词，期待下面的内容？

And
God
said
Let 
there
be
light
and 
there
was
light

Answer 1

首先，去掉任何前导或尾随空格：

.trim()

然后去掉HTML实体(&...;)：

.replaceAll("&.*?;", "")

&和;是正则表达式中的文字字符，.*?是“任意字符、任意次数”的非贪婪版本。

接下来，去掉标签和它们的内容：

.replaceAll("<(.*?)>.*?</\\1>", "")

<和>将再次从字面上理解，上面解释了.*?，(...)定义了捕获组，\\1引用了该组。

最后，对任意非字母序列进行拆分：

.split("[^a-zA-Z]+")

[a-zA-Z]表示从a到z和A到Z的所有字符，^表示反转匹配，+表示“一次或多次”。

所以所有东西加在一起就是：

String words = str.trim().replaceAll("&.*?;", "").replaceAll("<(.*?)>.*?</\\1>", "").split("[^a-zA-Z]+");

请注意，这不像<img src="a.png" />那样处理自动结束标记。

还要注意的是，如果你需要完整的超文本标记语言解析，你应该考虑让一个真正的引擎来解析它，比如parsing HTML with Regex is a bad idea。

Answer 2

您可以将String.replaceAll(正则表达式，替换)与正则表达式^A-Za-z+一起使用，这样只获取字符。这也将包括sup标记和c。这就是为什么您要用第一个语句替换标记以及它们之间的所有内容。

    String str = " And God said, <sup>c</sup>&#8220;Let there be light,&#8221; and there was light.".replaceAll("<sup>[^<]</sup>", "");
    String newstr = str.replaceAll("[^A-Za-z]+", " ");