从.txt文件中删除特殊字符会产生`LRB`、`LSB`、`RSB`、`LRB`、`RRB`等

Question

我有一个.txt文件。实际上，我是通过读取URL和转换HTML文件得到的。我的.txt文件包含如此多的特殊字符。我只想保留英文单词。我用过，

`String result = listOfWords.replaceAll("[^a-zA-Z]+"," ");`

但是，输出会替换一些特殊字符，如LRB、LSB、RSB、LRB、RRB等。

例如：

Eleanor (2008), Mathematics

recent years. (TOP500 2006)^ Agatha C. Hughes (2000). Systems, Experts, and Computers. MIT Press. p. 161. ISBN 978-0-262-08285-3. The experience of SAGE helped make possible the first truly large-scale commercial real-time network: the SABRE computerized airline reservations system

替换后的结果为，

 Eleanor  LRB     RRB    Mathematics

recent years LRB TOP RRB Agatha C Hughes LRB RRB Systems Experts and Computers MIT Press p ISBN The experience of SAGE helped make possible the first truly large scale commercial real time network the SABRE computerized airline reservations system

如何解决这里的代码输入这个问题？

Answer 1

您的正则表达式替换只会增加较大的间隙(空格)。LRB (左圆括号)和RRB (右圆括号)很可能来自您在regex替换之前所做的任何处理。如果您不关心特殊字符，您可能应该删除它们：

String result = listOfWords.replaceAll("[^a-zA-Z]+","");

正如@Emalka提到的，NLTK是quick 'HOWTO'的一个很好的来源。他们正在使用BeautifulSoup。因为你的问题谈到了Java，所以有一个很好的答案是使用Jsoup的here on SO。