在线上提取多个标签

我会尽力在我的解释中明确^ ^。我输入一个文本，我逐行阅读文件（我一直一字一句地尝试）。有一次，我看我申请一个正则表达式的工作，但输出文件不适合我，我得到这个类型的输出：在线上提取多个标签

<pers> Sarkozy </pers> 
<pers> Muscat </pers> , le secrétaire général , devant <pers> Sarkozy </pers> 
<pers> Muscat </pers>

我会想：

<pers> Sarkozy </pers> 
<pers> Muscat </pers> 
<pers> Sarkozy </pers> 
<pers> Muscat </pers>

我能不明白的地方这个问题......我觉得从它匹配我的模式的那一刻起，我需要在整条线上划一条线，而不仅仅是标签......我的正则表达式是不是很好，或者是我的方式读我的文件？

我的代码：

public static void main(String[] args) throws IOException { 
     // TODO Auto-generated method stub 

     File file = new File(
       monfichier); 
     String fileContent = readFileAsString(file.getAbsolutePath()); 

     countNE countne = new countNE(); 

     String result = countne.countNE(fileContent); 
     System.out.println(result); 


    } 

    public String countNE(String fileContent) throws java.io.IOException { 
     int i = 0; 
     Hashtable<String, Integer> table = new Hashtable(); 
     int nbOcc = 0; 

     String regPerson = "<pers>.?\\w*.?</pers>"; 

     Pattern pPers = Pattern.compile(regPerson); 

     Matcher m = pPers.matcher(fileContent); 
     String result = ""; 

     while (m.find()) { 
      String person = m.group(); 
      // System.out.println(person + " " + i); 
      // System.out.println(person); 
      i++; 
      result += person + "\n"; 
     } 
     return result; 

    } 

    public static String readFileAsString(String filePath) 
      throws java.io.IOException { 
     String chaine = ""; 
     // lecture du fichier texte 
     try { 
      InputStream ips = new FileInputStream(filePath); 
      InputStreamReader ipsr = new InputStreamReader(ips); 
      BufferedReader br = new BufferedReader(ipsr); 
      String ligne; 
      while ((ligne = br.readLine()) != null) { 
       chaine += ligne + "\n"; 

      } 
      br.close(); 
     } catch (Exception e) { 
      System.out.println(e.toString()); 
     } 

     System.out.println(chaine); 
     return chaine; 
    } 

}

感谢您的帮助

来源

2014-01-22 Ana Maïs

的正则表达式是不是这个。你有没有考虑嵌套标签？改用解析器。 – m0skit0

您可以将您的代码从文件读取转换为仅使用硬编码字符串（因此我们可以有一个容易重现的示例）？使用'StringReader'应该使这个改变变得很简单。 – Dukeling

的问题是

.?

在您的正则

。
它匹配任何东西，包括<pers>和</pers>。
因此，为了得到你想要的东西，你可能首先分割线向上或者通过使用字符的短间隔为匹配（例如[a-zA-Z]或类似）排除.<pers>。

来源

2014-01-22 12:48:47

'。？'是单个可选字符，因此它不能匹配''或''。 – Dukeling

正确的做法：

public static String countNE(String fileContent) throws java.io.IOException { 
    Hashtable<String, Integer> table = new Hashtable(); 
    int nbOcc = 0; 

    String regPerson = "(<pers>.*?</pers>)"; 
    // String regPerson = "(<.*>.*?</.*>)"; 

    Pattern pPers = Pattern.compile(regPerson); 

    Matcher m = pPers.matcher(fileContent); 
    String result = ""; 
    while(m.find()) 
    { 
      result += m.group(1); 
    } 

    return result; 
}

来源

2014-01-22 14:09:08 user3223820

谢谢！有用 –

在线上提取多个标签

回答

相关问题