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

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

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的更多相关文章

  1. 我的Java开发学习之旅------>工具类:将播放器的进度值转换成相应的时间格式

    在我的博客<我的Java开发学习之旅------>Java 格式化类(java.util.Formatter)基本用法,地址:http://blog.csdn.net/ouyang_pen ...

  2. 我的Java开发学习之旅------>工具类:Java获取字符串和文件进行MD5值

    ps:这几天本人用百度云盘秒传了几部大片到云盘上,几个G的文件瞬秒竟然显示"上传成功"!这真让我目瞪口呆,要是这样的话,那得多快的网速,这绝对是不可能的,也许这仅是个假象.百度了一 ...

  3. 我的Java开发学习之旅------>Java 格式化类(java.util.Formatter)基本用法

    本文参考: http://docs.oracle.com/javase/1.5.0/docs/api/java/util/Formatter.html http://www.blogjava.net/ ...

  4. 我的Java开发学习之旅------>在Dos环境下Java内部类的编译和运行

    习惯了在IDE工具上进行代码编写,连最基本的Javac命令和Java命令都忘记的差不多了,今天对一个Java内部类进行编译和运行的时候,就出糗了.IDE是把双刃剑,它可以什么都帮你做了,你只要敲几行代 ...

  5. Java 开发环境配置--eclipse工具进行java开发

    Java 开发环境配置 在本章节中我们将为大家介绍如何搭建Java开发环境. Windows 上安装开发环境 Linux 上安装开发环境 安装 Eclipse 运行 Java Cloud Studio ...

  6. JAVA基础学习day18--常用工具类

    一.System 1.1.概述 System 类包含一些有用的类字段和方法.它不能被实例化. 在 System 类提供的设施中,有标准输入.标准输出和错误输出流:对外部定义的属性和环境变量的访问:加载 ...

  7. JAVA基础学习day17--集合工具类-Collections

    一.Collection简述 1.1.Collection与Collections的区别 Collections是集合的静态工具类 Collection:是集合的顶级接口 二.Sort 2.1.sor ...

  8. 我的Java开发学习之旅------&gt;Base64的编码思想以及Java实现

    Base64是一种用64个字符来表示随意二进制数据的方法. 用记事本打开exe.jpg.pdf这些文件时,我们都会看到一大堆乱码,由于二进制文件包括非常多无法显示和打印的字符.所以,假设要让记事本这种 ...

  9. 我的Java开发学习之旅------>Java利用Comparator接口对多个排序条件进行处理

    一需求 二实现Comparator接口 三验证排序结果 验证第一条件首先按级别排序级别最高的排在前面 验证第二条如果级别相等那么按工资排序工资高的排在前面 验证第三条如果工资相当则按入职年数排序入职时 ...

随机推荐

  1. jzyzOJ 1658【bzoj1798改编】

    #include<iostream> #include<cstring> #include<cstdio> #include<ctime> #inclu ...

  2. https的实现原理

    加密算法 有两种基本的加解密算法类型: 1)对称加密:密钥只有一个,加密解密为同一个密码,且加解密速度快,典型的对称加密算法有DES.AES等: 2)非对称加密:密钥成对出现(且根据公钥无法推知私钥, ...

  3. 3)nginx的启动与停止、重启,linux配置对外端口

    [启动] 启动代码格式:nginx安装目录地址 -c nginx配置文件地址例如: [root@LinuxServer sbin]# /usr/local/nginx/sbin/nginx -c /u ...

  4. js 拦截全局 ajax 请求

    你是否有过下面的需求:需要给所有ajax请求添加统一签名.需要统计某个接口被请求的次数.需要限制http请求的方法必须为get或post.需要分析别人网络协议等等,那么如何做?想想,如果能够拦截所有a ...

  5. novell.directory.ldap获取邮箱活动目录

    在windows系统上可以使用下列方法来查找所有的员工邮箱和员工组: StringDictionary ReturnArray = new StringDictionary(); Dictionary ...

  6. 【音乐App】—— Vue-music 项目学习笔记:歌曲列表组件开发

    前言:以下内容均为学习慕课网高级实战课程的实践爬坑笔记. 项目github地址:https://github.com/66Web/ljq_vue_music,欢迎Star. 当前歌曲播放列表 添加歌曲 ...

  7. win10中以管理员身份启动notepad、cmd、editplus

    win10中以管理员身份启动notepad.cmd 在开始菜单中输入,出现了之后再进行右键点击,选择管理员身份运行: 而且editplus也可以“管理员身份运行”,再也不用担心我改不了hosts了: ...

  8. vs2010 assistx安装教程

    参照此篇教程. 安装目录你可能找不到,因为那些文件是系统隐藏文件,打开隐藏即可. 然后,将此.exe安装到上面的目录下,然后,还需要进行一个破解,即需要将从网上下载的补丁放进去. 把目录下的VA_X. ...

  9. Spket安装

    1.http://www.spket.com/下载1.6.23放到Eclipse或者myEclipse的dropins文件夹下 2. 3. 4. 我的是jquery-1.8.2.js,2.1.1不会提 ...

  10. 使用JDK中的类URL访问HDFS(来自吴超Hadoop)

    package hdfs; import java.io.InputStream; import java.net.URL; import org.apache.hadoop.fs.FsUrlStre ...