Java正则表达式以保留方括号中的ngram

Question

我是一个Java regex的新手，所以我想知道是否有人能帮我解决我需要一个正则表达式来根据ngram拆分文本的问题。所以如果我有这样的短信：

dyson [salisbury matheson beaumont] clarke [carstairs morden] vaughan

若要返回下列纳克，请执行以下操作：

Unigram: dyson Trigram: salisbury matheson beaumont Unigram: clarke Bigram: carstairs morden Unigram: vaughan

方括号的内容被保留为双格还是三格？

分割将基于括号外的空格。

Answer 1

这很简单：

\w+|\[([\w\s]+)\]

演示

解释：

• \w+匹配一个单词(一系列字母数字字符或下划线)
• 或：\[([\w\s]+)\]
  • \[与[匹配
  • [\w\s]+匹配一系列单词和空格，这将被捕获。
  • \]与]匹配

​

如果你有一个捕获，它意味着你在括号中有一些东西，否则它意味着你只有一个单词。然后，可以将简单的\w+正则表达式应用于括号的内容，以提取单词。

要在Java中使用它，必须转义反斜杠才能将它们传递给regex引擎：

String pattern = "\\w+|\\[([\\w\\s]+)\\]";