Java正则表达式捕获多个组以及包含其他组的组

Question

我正在尝试构建一个捕获多个组的正则表达式，其中一些组包含在其他组中。例如，假设我想捕获“to”前缀后面的每个 4 克:

input = "I want to run to get back on shape"
expectedOutput = ["run to get back", "get back on shape"]

在这种情况下，我会使用这个正则表达式:

"to((?:[ ][a-zA-Z]+){4})"

但它只捕获 expectedOutput 中的第一项(带有空格前缀，但这不是重点)。 如果没有正则表达式，这很容易解决，但我想知道是否可以仅使用正则表达式。

Answer 1

您可以使用正则表达式重叠mstring:

String s = "I want to run to get back on shape";
Pattern pattern = Pattern.compile("(?=\\bto\\b((?:\\s*[\\p{L}\\p{M}]+){4}))");
Matcher matcher = pattern.matcher(s);
while (matcher.find()){
    System.out.println(matcher.group(1).trim()); 
} 

参见IDEONE demo

正则表达式 (?=\bto\b((?:\s*[\p{L}\p{M}]+){4}))检查字符串中的每个位置(因为它是零宽度断言)并查找:

• \bto\b - 整个单词 to
• ((?:\s*[\p{L}\p{M}]+){4}) - 第 1 组捕获 4 次出现
  • \s* 零个或多个空格
  • [\p{L}\p{M}]+ - 一个或多个字母或变音符号

如果您希望捕获少于 4 个 ngram，请使用 {0,4}(或 {1,4} 要求至少一个)贪婪限制量词而不是 {4}。