我想将我的文档分成段落。
首先，我使用 TIKA 从(PDF、DOC)格式中提取文本。
此后，我使用 Split() 将文本分成行。
String[]lines=handler.toString().split("\n");\\handler from TIKA that extract the whole text from document
然后我使用正则表达式提取特定信息(例如公司名称、职称、忠诚度)。
它工作得很完美，直到我有一个段落分成多行 即:
Worked in Lycatel B.O.S. (P) Ltd. India Office, Chennai as Telecom Billing Analyst from 22nd October 07 to 3rd June 08.
它将分为:
paragraph [1] : Worked in Lycatel B.O.S. (P) Ltd. India Office, Chennai as Telecom
paragraph [2] : Billing Analyst from 22nd October 07 to 3rd June 08.
由于我为每个段落应用了 Matcher:
Matcher matcher = pattern.matcher(paragraphs[i]);
提取的数据将是错误的，因为两行应该在同一段落中。
我尝试根据 拆分文本。:
String[]lines=handler.toString().split(".");
但是，名称中包含 . 的公司也会被吐槽。例如:
Lycatel B.O.S. (P) Ltd.
如何分割文本，使段落 [i] 一直到句号 (.)？
最佳答案
您可以尝试使用 (?sm)^.*?\\.$ 但我怀疑您能否使用正则表达式获得完美的解决方案。
(?s) 是 dotall 标志，它将使 . 匹配换行符。
(?m) 是多行标志，因此 $ 将匹配行尾(而不是仅匹配字符串末尾)。
因此，使用此正则表达式，我们可以根据需要匹配尽可能多的字符(包括换行符)，然后才能匹配行尾的 .。
您可以试试 regex101 .
关于java - 将文档分为段落，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36694851/