从Java中的给定文本中提取阿拉伯语短语

Question

您能帮我找到一个包含短语列表的正则表达式，请检查给定文本中是否存在这些短语之一？

例：

如果我有hashSet以下话：

كيف الحال  
إلى أين  
أين يوجد  
هل من أحد هنا

给定的文本是： كيف الحال أتمنى أن تكون بخير

我想在执行正则表达式后得到： كيف الحال

我的初始代码：

HashSet<String> QWWords = new HashSet<String>();

QWWords.add("كيف الحال");
QWWords.add("إلى أين");
QWWords.add("أين يوجد");
QWWords.add("هل من أحد هنا");

String s1 = "كيف الحال أتمنى أن تكون بخير";

for (String qp : QWWords) {

    Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

    Matcher m = p.matcher(s1);

    String found = "";

    while (m.find()) {
        found = m.group();
        System.out.println(found);

    }

}

Answer 1

[...]是字符类，字符类只能匹配它指定的一个字符。例如，像字符类[abc]只能匹配aOR bOR
c。因此，如果您只想查找单词，abc请不要将其括起来[...]。

另一个问题是您\\s用作单词分隔符，因此在下面的字符串中

String data = "foo foo foo foo";

正则表达式\\sfoo\\s将无法首先匹配，foo因为 之前没有空格 。
因此，它将找到第一个匹配项

String data = "foo foo foo foo";
//      this one--^^^^^

现在，由于正则表达式在第二秒后就消耗了空间，foo因此无法在下一场比赛中重复使用它，因此第三次foo也将被跳过，因为之前没有可用的空间来匹配。
您也不会匹配，foo因为这次 之后 没有空格了。

要解决此问题，您可以使用\\b- 单词边界，它检查它代表的位置是否在字母数字字符与非字母数字字符之间（或字符串的开始/结尾）。

所以代替

Pattern p = Pattern.compile("[\\s" + qp + "\\s]");

用

Pattern p = Pattern.compile("\\b" + qp + "\\b");






Pattern p = Pattern.compile("\\b" + qp + "\\b",Pattern.UNICODE_CHARACTER_CLASS);

确保\\b在预定义的字母数字类中包含阿拉伯字符。

更新：

我不确定您的单词是否可以包含正则表达式元字符（例如）{ [ + *，以防万一，您还可以html" target="_blank">添加转义机制以将此类字符转换为文字。

所以

"\\b" + qp + "\\b"

可以变成

"\\b" + Pattern.quote(qp) + "\\b"