使用正则表达式进行过滤

Question

使用正则表达式来过滤一篇文章的多余单词和标点符号，并保留其他有用单词
如，This a xml book.
过滤后保留成:
xml book
谢谢

Answer 1

import java.util.regex.*;
public class MyRegex2 { public static void main(String[] args) {
String s="This a xml book.I like xml.\n";
s+="This   is a C# book.But I love Java.\n";
s+="  This is a SQL book.\n";
s+="This   is a C++ book.\n";
s=s.replaceAll(" {2,}", " ");//将多余空格转换成一个空格
s=s.replaceAll("(?m)^ +","");//将每行开头的空格去掉
Matcher m=Pattern.compile("(?m)\\ba(.*)book\\b").matcher(s);
while(m.find())
System.out.println(m.group());
}
}

Answer 2

改一下：
import java.util.regex.*;
public class MyRegex2 { public static void main(String[] args) {
String s="This a xml book.I like xml.\n";
s+="This   is a C# book.But I love Java.\n";
s+="  This is a SQL book.\n";
s+="This   is a C++ book.\n";
s=s.replaceAll(" {2,}", " ");//将多余空格转换成一个空格
s=s.replaceAll("(?m)^ +","");//将每行开头的空格去掉
Matcher m=Pattern.compile("(?m)\\b(?<= a )(.*)book\\b").matcher(s);
while(m.find())
System.out.println(m.group());
}
}
我的结果：
xml book
C# book
SQL book
C++ book不知道这样行不行

Answer 3

谢谢您的回答，我的意思是随便给定一篇文章P，然后将其中没有意义的单词去掉。
如：P={“An Instant and Accurate Estimation Method for Joins and Selection in a Retrieval-Intensive Environment”}
结果是R={“Instant Accurate Estimation Method Joins Selection Retrieval Intensive Environment”}

Answer 4

当然，那些无意义的单词可以提前给出
StopWords={a,an,this,that,which,what等}

Answer 5

import java.util.regex.Matcher;
import java.util.regex.Pattern;public class Test {
    
    private final static String[] stopWords = {
            "a", "an", "and", "for", "in", "the", "this", "that", "which", "what"
        };
    
    /**
     * 用于处理辅助词的正则表达式匹配器
     */
    private final static Matcher MATCHER = toRegex(stopWords);
    
    /**
     * 去除一些非字符的字符
     */
    private final static Matcher REMOVE_OTHER = Pattern.compile("[^a-zA-Z\\s-]").matcher("");
    
    public static void main(String...args) {
        String str = "An Instant and, Accurate Estimation Method for Joins and Selection in a Retrieval-Intensive Environment";
        
        long t0, t1;
        t0 = System.nanoTime();
        String s1 = processStopWord(str);
        t1 = System.nanoTime();
        System.out.println(s1);
        System.out.println(t1 - t0);
    }
    
    private static String processStopWord(String statement) {
        return MATCHER.reset(REMOVE_OTHER.reset(statement).replaceAll("")).replaceAll("");
    }
    
    /**
     * 组成正则表达式
     * @param stopWords
     * @return
     * 
     * 2009-2-22 下午11:06:08
     */
    private static Matcher toRegex(String[] stopWords) {
        StringBuffer sb = new StringBuffer("\\b(?i:");
        for(int i = 0; i < stopWords.length; i++) {
            if(i > 0) {
                sb.append("|");
            }
            sb.append(stopWords[i]);
        }
        sb.append(")\\b\\s*");
        // 拼接出的表达式是这样的：
        //  \b(?i:a|an|and|for|in|the|this|that|which|what)\b\s*
        // 但是如果能拼摘成这样效率会高很多
        //  \b(?i:a(?:nd?)?|for|in|th(?:e|is|at)|wh(?:ich|at))\b\s*        
        return Pattern.compile(sb.toString()).matcher("");
    }
}

Answer 6

你看下这样行吗？
import java.util.regex.*;
public class MyRegex2 { public static void main(String[] args) {

String[] temp={"a","an","this","that","which","what"};
String s="This a xml book.I like xml.\n";
s+="This   is a C# book.But I love Java.\n";
s+="  This is an SQL book which I like.\n";
s+="This   is a C++ book that I like.\n";
s=s.replaceAll(" {2,}", " ");//将多余空格转换成一个空格
s=s.replaceAll("(?m)^ +","");//将每行开头的空格去掉
for (int i = 0; i < temp.length; i++) {
s=s.replaceAll(" "+temp[i]+" ", " ");
}
System.out.println(s);
}
}