匹配 Java 中的阿拉伯标点符号

Question

我想在此代码中编辑 REGEX_PATTERN2 以使用阿拉伯标点符号的匹配（）方法 String REGEX_PATTERN = "[\\.|,|:|;|!|_|\\?]+";        String s1 = "My life :is happy, stable";        String[] result = s1.split(REGEX_PATTERN);        for (String myString : result) {            System.out.println(myString);   }         String REGEX_PATTERN2 = "[\\.|,|:|;|!|_|،|؛|؟\\?]+";            String s2 = " حياتي ؛ سعيدة، مستقر";            String[] result2 = s2.split(REGEX_PATTERN2);            for (String myString : result2) {                System.out.println(myString);       }我想要的输出我的生活很开心稳定的حياتيسعيدة反义词我如何编辑此代码并使用matches()而不是split()方法来获得带有阿拉伯标点符号的相同输出

Answer 1

这里有几个问题。首先这个例子：

  if (word.matches("[\\.|,|:|;|!|\\?]+"))

由于以下原因，这有点¹不正确：

1. A.不需要在字符类中转义。

2. A|并不意味着字符类中的交替。

3. A?不需要在字符类中转义。

（有关更多详细信息，请阅读javadoc或有关 Java 正则表达式的教程。）

因此，您可以将上述内容重写为：

  if (word.matches("[.,:;!?]+"))

...假设您不想将管道字符归类为标点符号。

现在这个：

 if (word.matches("[\.|,|:|;|!|،|؛|..|...|؟|\?]+"))

你有和上面一样的问题。此外，您似乎使用了两个和三个句号/句点字符而不是（大概）某些 Unicode 字符。我怀疑它们可能是 a \ufbb7or u061eor \u06db，但我不是语言学家。（当然 2 或 3 个句号是不正确的。）

---

那么阿拉伯语中的标点符号是什么？

老实说，我认为答案取决于您查看的来源，但维基百科指出：

只有阿拉伯语问号 ⟨؟⟩ 和阿拉伯语逗号 ⟨،⟩ 用于常规阿拉伯语文字输入，并且逗号经常被拉丁文字逗号 (,) 替代。

---

^{1 - 稍微不正确，我的意思是这个例子中的错误大多是无害的。但是，您|在类中包含（多个实例）字符 n 确实意味着您会将“管道”错误地归类为标点符号。}

Answer 2

[]表示正则表达式字符类，这意味着它只匹配单个字符。...是 3 个字符，因此不能在字符类中使用。

在字符类中，您不需要用 分隔字符|，也不需要转义.和?。

你可能是这个意思，它是一个替代字符序列的列表：

"(?:\\.|,|:|;|!|\\?|،|؛|؟|\\.\\.|\\.\\.\\.)+"

如果您确实使用字符类，您可能会获得更好的性能：

"(?:\\.{1,3}|[,:;!?،؛؟])+"

当然，+在最后，每次迭代匹配 1-3 个周期是相当多余的，所以这样做：

"[.,:;!?،؛؟]+"

Answer 3

这是一种不同的方法，它使用 Unicode 属性而不是特定字符（如果您关心更多的阿拉伯语标记，而不仅仅是另一个答案中提到的问号和逗号）：

"(?=^[\\p{InArabic}.,:;!?]+$)^\\p{IsPunctuation}+$"

它匹配具有标点符号类别的整个字符串，这些字符串也位于阿拉伯语块中，或者是您在努力中列出的其他标点符号之一。

它会匹配像"؟،"or 之类的字符串"؟،:"，但不会匹配"؟،ؠ"or "؟،a"。