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. [UR #3] 核聚变反应强度

    次大公约数就是gcd再除以其最小质因子(如果有的话).可以发现要求的sgcd 的前身gcd都是a1的约数,所以把a1质因数分解直接做就行了. #include<bits/stdc++.h> ...

  2. Facebook Rebound 弹性动画库 源码分析

    Rebound源码分析 让动画不再僵硬:Facebook Rebound Android动画库介绍一文中介绍了rebound这个库. 对于想体验一下rebound的效果,又懒得clone和编译代码的, ...

  3. python selenium中调用js

    python 中js中单引号和双引号混合编程 js = 'document.getElementsByName("m:ybzbxmbd:b_BIANHAO")[0].setAttr ...

  4. Linux下防火墙iptables用法规则详及其防火墙配置

    转:http://www.linuxidc.com/Linux/2012-08/67952.htm iptables规则 规则--顾名思义就是规矩和原则,和现实生活中的事情是一样的,国有国法,家有家规 ...

  5. js 简单getByClass得封装

    function getByClass(oParent,sClass){ var elems = oParent.getElementsByTagName("*"); var ar ...

  6. Android---61---TabHost简单使用

    与TabHost结合使用的组件: TabWidget:代表选项卡的标签条 TabSpec:代表选项卡的一个Tab页面 TabHost不过一个简单的容器,它提供两个方法来创建.加入选项卡 newTabS ...

  7. Linux ps 命令查看进程启动及运行时间

    引言 同事问我怎样看一个进程的启动时间和运行时间,我第一反应当然是说用 ps 命令啦.ps aux或ps -ef不就可以看时间吗? ps aux选项及输出说明 我们来重新复习下ps aux的选项,这是 ...

  8. python selenium2 - 鼠标键盘操作

    文件路径:Python27\Lib\site-packages\selenium\webdriver\common\action_chains.py action_chains[鼠标键盘动作] 方法说 ...

  9. json解析:[1]gson解析json

    客户端与服务器进行数据交互时,常常需要将数据在服务器端将数据转化成字符串并在客户端对json数据进行解析生成对象.但是用jsonObject和jsonArray解析相对麻烦.利用Gson和阿里的fas ...

  10. 在tomcat中用jndi配置数据源启动java web程序

    1.在web.xml中添加: <resource-ref>    <res-ref-name>jdbc/MTSDB</res-ref-name>    <re ...