我的Java开发学习之旅------>工具类:Java使用正则表达式分离出字符串中的中文和英文

简介: 今天看到一个工具类使用正则表达式将一大段字符串中的中文和英文都分离出来了,在此记录一下,读者可以收藏! import java.util.ArrayList;import java.


今天看到一个工具类使用正则表达式将一大段字符串中的中文和英文都分离出来了,在此记录一下,读者可以收藏!

import java.util.ArrayList;
import java.util.Collection;
import java.util.List;
import java.util.regex.Pattern;
/**
 * 将字符串中的中文和英文都分离出来
 * @author ouyangpeng
 * @link http://blog.csdn.net/ouyang_peng/
 */
public class WordSeg {

	public static class WordSegEntry {
		public String word;
		public boolean isEnglish;
		public String toString() {
			return "[word-->" + word + "\tisEnglish-->" + isEnglish + "]";
		}
	}
	private String raw;

	public String getRaw() {
		return raw;
	}

	public void setRaw(String raw) {
		this.raw = raw;
	}
	
	List<WordSegEntry> segs = new ArrayList<WordSegEntry>();

	public List<WordSegEntry> getSegs() {
		return segs;
	}

	public int getLength() {
		int l = 0;
		for (WordSegEntry seg : segs) {
			l += seg.word.length();
		}
		return l;
	}

	public int getCNLength() {
		int l = 0;
		for (WordSegEntry seg : segs) {
			if (seg.isEnglish)
				continue;
			l += seg.word.length();
		}
		return l;
	}

	public String toString() {
		return join(segs, "\r\n") + "\n\n"+"lenOfEnglish=" + getLength() +"\n 中文长度=" + getCNLength();
	}
	
	public static String join(Collection arr, String sep) {
		return join(arr.toArray(new Object[arr.size()]), sep);
	}

	public static String join(Object[] arr, String sep) {
		StringBuilder sb = new StringBuilder();
		for (int i = 0; i < arr.length; i++) {
			sb.append(arr[i]);
			if (sep != null && i < arr.length - 1)
				sb.append(sep);
		}
		return sb.toString();
	}

	private static Pattern p = Pattern.compile("\\p{Punct}");

	public static boolean isPunctuation(char c) {
		return p.matcher(String.valueOf(c)).matches()
				|| ("、,:;。!?\n"
						+ "{}()〔〕<>〈〉《》[]「」『』〖〗【】\n"
						+ "@#%*&+=±×÷~-\u2014\u2015_—─━ ̄\u2025…┈┄┅┉┆┇┊┋|\ufe31│┃∥\/\u2215\n"
						+ "‘’“”"'\u2035′\u301d″\u02ca\u02cb\n"
						+ "$£¥‰§№°℃\u2109\u2105\n"
						+ "^ˇ¨`°¤〃\n"
						+ " ¢¤※\u2573\n"
						+ "\u221f\u2252\u2266\u2267\u22bf∧∨∑∏∪∩∈∷√⊥∥∠⌒⊙∫∮≡≌≈∽∝≠≮≯≤≥∞∵∴\n"
						+ "○●◎◇◆□■△▲\u25bd\u25bc\u2609\n"
						+ "〓\u25e2\u25e3\u25e4\u25e5\u2594\u2581\u2582\u2583\u2585\u2587\u2588\u2589\u2593\u258a\u258b\u258c\u258d\u258e\u258f\u2595\n"
						+ "→←↑↓\u2196\u2197\u2198\u2199\n"
						+ "\u256d\u256e\u2570\u256f\n"
						+ "\ufe35\ufe36\ufe39\ufe3a\ufe3f\ufe40\ufe3d\ufe3e\ufe41\ufe42\ufe43\ufe44\ufe3b\ufe3c\ufe37\ufe38\n"
						+ "\u2550\u2551\u2552\u2553\u2554\u2555\u2556\u2557\u2559\u255a\u255b\u255c\u255d\u255e\u255f\u2560\u2561\u2562\u2563\u2564\u2565\u2566\u2567\u2568\u2569\u256a\u256b\u256c\u3012\n"
						+ "┌┍┎┏┐┑┒┓└┕┖┗┘┙┚┛├┝┞┟┠┡┢┣┤┥┦┧┨┩┪┫┬┭┮┯┰┱┲┳┴┵┶┷┸┹┺┻┼┽┾┿╀╁╂╃╄╅╆╇╈╉╊╋" + "\n")
						.contains(String.valueOf(c));
	}

	
	public static WordSeg segWord(String input) {
		WordSeg wordseg = new WordSeg();
		wordseg.setRaw(input);
		List<WordSegEntry> segs = wordseg.getSegs();
		
		int last_c_is_en_cn = 0;// 1-en,2-cn
		int last = 0;
		
		for (int i = 0; i < input.length(); i++) {
			char c = input.charAt(i);
			if (c <= 32) {// invisible chars
				if (last_c_is_en_cn == 1) {// en ,break the words
					if (i > last) {
						WordSegEntry seg = new WordSegEntry();
						seg.word = input.substring(last, i);
						seg.isEnglish = last_c_is_en_cn == 1;
						segs.add(seg);
						last = i + 1;
					}
				}
			} else if (isPunctuation(c)) {
				if (i > last) {
					if (last_c_is_en_cn != 0) {
						WordSegEntry seg = new WordSegEntry();
						seg.word = input.substring(last, i);
						seg.isEnglish = last_c_is_en_cn == 1;
						segs.add(seg);
					}
				}
				last = i + 1;
				last_c_is_en_cn = 0;
			} else if ((Character.isLetter(c) || Character.isDigit(c)) && c < 127) {
				// en word
				if (last_c_is_en_cn == 2) {
					if (i > last) {
						WordSegEntry seg = new WordSegEntry();
						seg.word = input.substring(last, i);
						seg.isEnglish = last_c_is_en_cn == 1;
						segs.add(seg);
						last = i;
					}
				}
				last_c_is_en_cn = 1;
			} else {// cn word
				if (last_c_is_en_cn == 1) {
					if (i > last) {
						WordSegEntry seg = new WordSegEntry();
						seg.word = input.substring(last, i);
						seg.isEnglish = last_c_is_en_cn == 1;
						segs.add(seg);
						last = i;
					}
				}
				last_c_is_en_cn = 2;
			}
		}
		if (last < input.length() && last_c_is_en_cn != 0) {
			WordSegEntry seg = new WordSegEntry();
			seg.word = input.substring(last, input.length());
			seg.isEnglish = last_c_is_en_cn == 1;
			segs.add(seg);
		}
		for (WordSegEntry seg : segs)
			if (!seg.isEnglish)
				seg.word = seg.word.replaceAll("\\s+", "");
		return wordseg;
	}
}

对工具类进行测试:

class WordSegTest{
	public static void main(String[] args) {
		System.out.println(WordSeg.segWord(" (欧阳鹏)我的Android进阶之旅{}()〔〕<>〈〉《》博客地址:http://blog.csdn.net/ouyang_peng/article/details/17224229「」『』〖〗【】○●◎◇◆□■△▲@#%*&欢迎大家![]∏∪∩∈∷√⊥∥∠⌒⊙∫∮≡≌≈∽∝≠≮≯≤≥∞∵∴.  "));
	}
}

得到结果如下:

[word-->欧阳鹏	isEnglish-->false]
[word-->我的	isEnglish-->false]
[word-->Android	isEnglish-->true]
[word-->进阶之旅	isEnglish-->false]
[word-->博客地址	isEnglish-->false]
[word-->http	isEnglish-->true]
[word-->blog	isEnglish-->true]
[word-->csdn	isEnglish-->true]
[word-->net	isEnglish-->true]
[word-->ouyang	isEnglish-->true]
[word-->peng	isEnglish-->true]
[word-->article	isEnglish-->true]
[word-->details	isEnglish-->true]
[word-->17224229	isEnglish-->true]
[word-->欢迎大家	isEnglish-->false]

lenOfEnglish=71
 中文长度=17



====================================================================================

  作者:欧阳鹏  欢迎转载,与人分享是进步的源泉!

  转载请保留原文地址http://blog.csdn.net/ouyang_peng

===================================================================================


相关文章
|
11天前
|
缓存 算法 Java
本文聚焦于Java内存管理与调优,介绍Java内存模型、内存泄漏检测与预防、高效字符串拼接、数据结构优化及垃圾回收机制
在现代软件开发中,性能优化至关重要。本文聚焦于Java内存管理与调优,介绍Java内存模型、内存泄漏检测与预防、高效字符串拼接、数据结构优化及垃圾回收机制。通过调整垃圾回收器参数、优化堆大小与布局、使用对象池和缓存技术,开发者可显著提升应用性能和稳定性。
33 6
|
12天前
|
SQL 安全 Java
安全问题已经成为软件开发中不可忽视的重要议题。对于使用Java语言开发的应用程序来说,安全性更是至关重要
在当今网络环境下,Java应用的安全性至关重要。本文深入探讨了Java安全编程的最佳实践,包括代码审查、输入验证、输出编码、访问控制和加密技术等,帮助开发者构建安全可靠的应用。通过掌握相关技术和工具,开发者可以有效防范安全威胁,确保应用的安全性。
25 4
|
13天前
|
缓存 监控 Java
如何运用JAVA开发API接口?
本文详细介绍了如何使用Java开发API接口,涵盖创建、实现、测试和部署接口的关键步骤。同时,讨论了接口的安全性设计和设计原则,帮助开发者构建高效、安全、易于维护的API接口。
36 4
|
13天前
|
安全 Java 测试技术
Java开发必读,谈谈对Spring IOC与AOP的理解
Spring的IOC和AOP机制通过依赖注入和横切关注点的分离,大大提高了代码的模块化和可维护性。IOC使得对象的创建和管理变得灵活可控,降低了对象之间的耦合度;AOP则通过动态代理机制实现了横切关注点的集中管理,减少了重复代码。理解和掌握这两个核心概念,是高效使用Spring框架的关键。希望本文对你深入理解Spring的IOC和AOP有所帮助。
27 0
|
13天前
|
Java API Android开发
kotlin和java开发优缺点
kotlin和java开发优缺点
28 0
WK
|
19天前
|
开发框架 移动开发 Java
C++和Java哪个更适合开发移动应用
本文对比了C++和Java在移动应用开发中的优劣,从市场需求、学习难度、开发效率、跨平台性和应用领域等方面进行了详细分析。Java在Android开发中占据优势,而C++则适合对性能要求较高的场景。选择应根据具体需求和个人偏好综合考虑。
WK
36 0
|
5月前
|
数据库 Python
Python网络数据抓取(8):正则表达式
Python网络数据抓取(8):正则表达式
55 2
|
5月前
|
自然语言处理 JavaScript 前端开发
Python高级语法与正则表达式(二)
正则表达式描述了一种字符串匹配的模式,可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。
|
5月前
|
安全 算法 Python
Python高级语法与正则表达式(一)
Python提供了 with 语句的写法,既简单又安全。 文件操作的时候使用with语句可以自动调用关闭文件操作,即使出现异常也会自动关闭文件操作。
|
5月前
|
Python
Python使用正则表达式分割字符串
在Python中,你可以使用re模块的split()函数来根据正则表达式分割字符串。这个函数的工作原理类似于Python内置的str.split()方法,但它允许你使用正则表达式作为分隔符。