Я столкнулся с еще худшей проблемой при поиске текста для слов , как .NET, C++, C#, и C. Вы могли бы подумать, что программисты лучше знают, чем называть язык тем, для чего трудно писать регулярные выражения.
Во всяком случае, вот что я узнал (в основном это обобщено на http://www.regular-expressions.info , это отличный сайт): в большинстве разновидностей регулярных выражений символы, которые соответствуют классу сокращенных символов, \wявляются символы, которые рассматриваются как символы слова границами слов. Java - исключение. Java поддерживает Unicode для, \bно не для \w. (Я уверен, что в то время для этого была веская причина).
Это \wозначает «словесный символ». Он всегда соответствует символам ASCII [A-Za-z0-9_]. Обратите внимание на наличие символа подчеркивания и цифр (но не тире!). В большинстве разновидностей, поддерживающих Unicode, \wвключает много символов из других скриптов. Есть много противоречий в том, какие символы фактически включены. Буквы и цифры из алфавитных шрифтов и идеограмм обычно включаются. Знаки препинания соединителя, кроме подчеркивания и числовых символов, которые не являются цифрами, могут или не могут быть включены. XML Schema и XPath даже включают все символы в \w. Но Java, JavaScript и PCRE соответствуют только символам ASCII с \w.
Именно поэтому Java на основе регулярных выражений для поиска C++, C#или .NET(даже если вы помните , чтобы избежать периода и плюсов) вкручиваются самым \b.
Примечание: я не уверен, что делать с ошибками в тексте, например, когда кто-то не ставит пробел после точки в конце предложения. Я допустил это, но не уверен, что это обязательно правильно.
В любом случае, в Java, если вы ищете текст для этих странно названных языков, вам нужно заменить \bпробелы и знаки препинания до и после. Например:
public static String grep(String regexp, String multiLineStringToSearch) {
String result = "";
String[] lines = multiLineStringToSearch.split("\\n");
Pattern pattern = Pattern.compile(regexp);
for (String line : lines) {
Matcher matcher = pattern.matcher(line);
if (matcher.find()) {
result = result + "\n" + line;
}
}
return result.trim();
}
Затем в вашей тестовой или основной функции:
String beforeWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|^)";
String afterWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|$)";
text = "Programming in C, (C++) C#, Java, and .NET.";
System.out.println("text="+text);
// Here is where Java word boundaries do not work correctly on "cutesy" computer language names.
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for .NET="+ grep("\\b\\.NET\\b", text));
System.out.println("Should find: grep exactly for .NET="+ grep(beforeWord+"\\.NET"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for C#="+ grep("\\bC#\\b", text));
System.out.println("Should find: grep exactly for C#="+ grep("C#"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java:grep with word boundary for C++="+ grep("\\bC\\+\\+\\b", text));
System.out.println("Should find: grep exactly for C++="+ grep(beforeWord+"C\\+\\+"+afterWord, text));
System.out.println("Should find: grep with word boundary for Java="+ grep("\\bJava\\b", text));
System.out.println("Should find: grep for case-insensitive java="+ grep("?i)\\bjava\\b", text));
System.out.println("Should find: grep with word boundary for C="+ grep("\\bC\\b", text)); // Works Ok for this example, but see below
// Because of the stupid too-short cutsey name, searches find stuff it shouldn't.
text = "Worked on C&O (Chesapeake and Ohio) Canal when I was younger; more recently developed in Lisp.";
System.out.println("text="+text);
System.out.println("Bad word boundary because of C name: grep with word boundary for C="+ grep("\\bC\\b", text));
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
// Make sure the first and last cases work OK.
text = "C is a language that should have been named differently.";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
text = "One language that should have been named differently is C";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
//Make sure we don't get false positives
text = "The letter 'c' can be hard as in Cat, or soft as in Cindy. Computer languages should not require disambiguation (e.g. Ruby, Python vs. Fortran, Hadoop)";
System.out.println("text="+text);
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
PS Мои благодарности http://regexpal.com/, без которого мир регулярных выражений был бы очень жалким!
