Как разделить слово запятой, пробелом, точкой (.), табуляцией (\ t), круглыми скобками (), квадратными скобками [] и фигурными скобками ({}) в wordcount hadoop?

Я практикую MapReduce с Cloudera turotial здесь. Однако в настоящее время учебник разделяет слова только пробелом с помощью этого регулярного выражения в Java:

private static final Pattern WORD_BOUNDARY = Pattern.compile("\\s*\\b\\s*");

Однако в дополнение к пробелу "\\s*" я также хочу определить отдельные слова с помощью символов запятой, точки (.) и табуляции (\ t), круглых скобок (), квадратных скобок [] и фигурных скобок ({}). Другими словами, я определяю слово как строку, состоящую из одного или нескольких буквенно-цифровых символов, ограниченных двумя небуквенно-цифровыми символами. Например:

  • (cece54) содержит одно слово "cece54", ограниченное ()
  • {dwd] содержит одно слово "dwd", ограниченное {]
  • xxx) содержит одно слово «xxx», связанное <space> и )
  • так далее и так далее.

Итак, как должно быть написано мое регулярное выражение, чтобы выполнить это требование?


java string regex hadoop2 word-count
person weefwefwqg3    schedule 22.11.2016    source источник

Ответы (3)


arrow_upward
2
arrow_downward

Если вы определяете слово как один или несколько последовательных буквенно-цифровых символов, разделите его на один или несколько последовательных небуквенно-цифровых символов, т. е. "\\P{Alnum}+" или "[^a-zA-Z0-9]+".

См., например, regex101.

Вы можете добавить к первому префикс (?U) , т. е. "(?U)\\P{Alnum}+", для полной поддержки международного Unicode.

person Andreas    schedule 22.11.2016
comment
Большое спасибо, это работает как шарм! Ты спасаешь мою благодарность! Будьте здоровы. - person weefwefwqg3; 22.11.2016

arrow_upward
0
arrow_downward

Не очень хорошо знаком с регулярными выражениями, но я считаю, что код

"\\s*\\b(\\s*|\t*|\{*|\}*)" и так далее

Документы Java для шаблона находятся здесь

person Ash Pera    schedule 22.11.2016
comment
Спасибо за вашу быструю помощь, но java вернул ошибку с вашим кодом. MyWordCount.java:83: ошибка: недопустимый escape-символ static String regex = \\s*\\b(\\s*|\t*|\{|\}); ^ MyWordCount.java:83: ошибка: недопустимый escape-символ static String regex = \\s*\\b(\\s*|\t*|\{|\}); - person weefwefwqg3; 22.11.2016

arrow_upward
0
arrow_downward

Все разделители могут быть разделены символом | символ трубы, и его можно напрямую разделить, используя метод разделения класса Java String. Это было бы просто вместо определения шаблона.

Я добавил несколько оставшихся, которые можно добавить по мере необходимости.

 String str = "Hello World{!]as";
 String splits[] = str.split(" |\\[|\\]|\\{");
 for (String split: splits) {
     System.out.println(split);
 }
person Nagappan    schedule 22.11.2016
comment
Не было бы проще (и лучше) использовать класс символов, например. [ \\[\\]{]? - person Andreas; 22.11.2016
comment
имеете ли вы в виду создание класса массива символов для всех разделителей? - person Nagappan; 22.11.2016
comment
Я имел в виду, что вы создали 4-стороннее чередование (|) выражения из 4 одиночных -символьные выражения вместо одного символьного класса ([]) с 4 символами. Я ничего не говорил о массивах или любых других конструкциях Java, все было о конструкциях регулярных выражений. - person Andreas; 22.11.2016
comment
Спасибо за разъяснение чередования и класса персонажа. Я перепутал его с классом символов java. - person Nagappan; 23.11.2016