java - 英语缩写灾难

Question

背景

将直引号写入弯引号转换器，并希望将替换分成几个不同的步骤。第一步是使用已知缩写词词典替换文本中的缩写词。这不会解决歧义，但应该转换常见缩写中的直引号用法。

问题

在 Java 中，\b和\w不要将撇号作为单词的一部分，这使得这个问题有点挑剔。问题在于匹配以下单词:

• 包含一个或多个撇号，但不以一个(内部)开头或结尾；
• 以撇号开头，可以包含一个或多个，但不能以一个撇号结尾(开始)；
• 以撇号结尾，可以包含一个或多个，但不能以一个开头(结束)；和
• 以撇号开头和结尾，但不得包含撇号(外部)。

代码

给出一些无意义的文本:

'Twas---Wha'? Wouldn'tcha'? 'Twas, or 'twasn't, 'tis what's 'tween dawn 'n' dusk 'n stuff. Cookin'? 'Sams' place, 'yo''

正则表达式应捕获以下单词:

• 内部:what's
• 开始:'Twas , 'Twas , 'twasn't , 'tis , 'tween , 'n
• 结束:Wha' , Wouldn'tcha' , Cookin'
• 外部:'n' , 'Sams' , 'yo'

以下是不起作用的表达方式，是拙劣想法的混合体:

• 内部:\p{L}+'\p{L}*\p{L}
• 开始:((?<=[^\p{L}])|^)'\p{L}+('\p{L}|\p{L})?
• 结束:(\p{L}|\p{L}')+'(?=[^\p{L}]|$)

这个似乎有效:

• 外部:((?<=[^\p{L}])|^)'\p{L}+'(?!\p{L})

问题

什么正则表达式可以正确地对这四个缩写进行分类？

Answer 1

这个正则表达式应该做你想要的。它使用命名捕获组通过适当的查找对单词进行分类，以确保我们将整个单词与所需的外引号相匹配:

(?<inner>(?<![\p{L}'])(?:\p{L}+')+\p{L}+(?![\p{L}']))|
(?<began>(?<!\p{L})(?:'\p{L}+)+(?![\p{L}']))|
(?<ended>(?<![\p{L}'])(?:\p{L}+')+(?!\p{L}))|
(?<outer>(?<!\p{L})'\p{L}+'(?!\p{L}))

Group inner 查找包含一定数量的字母组的字符串，后跟引号 (?:\p{L}+')+ 后跟一些数字字母 \p{L}+。

Group began 查找包含若干组引号的字符串，后跟若干字母 (?:'\p{L}+)+。

Group ending 查找包含一定数量的字母组并后跟引号 (?:\p{L}+')+ 的字符串。

Group outer 查找两端带有引号且中间包含一些字母的字符串 '\p{L}+'。

Demo on regex101