la conversión de una cadena de oración para una matriz de cadenas de palabras en Java

Question

necesito mi programa Java para tomar una cadena como:

"This is a sample sentence." 

y convertirlo en una matriz de cadenas como:

{"this","is","a","sample","sentence"} 

n períodos o puntuación (preferiblemente). Por cierto, la entrada de cadena es siempre una oración.

¿Hay una manera fácil de hacer esto que no estoy viendo? ¿O realmente tenemos que buscar espacios mucho y crear nuevas cadenas desde las áreas entre los espacios (que son palabras)?

Answer 1

String.split() hará la mayor parte de lo que desee. Es posible que deba recorrer las palabras para sacar cualquier puntuación.

Por ejemplo:

String s = "This is a sample sentence."; 
String[] words = s.split("\\s+"); 
for (int i = 0; i < words.length; i++) { 
    // You may want to check for a non-word character before blindly 
    // performing a replacement 
    // It may also be necessary to adjust the character class 
    words[i] = words[i].replaceAll("[^\\w]", ""); 
} 

Answer 2

La respuesta más fácil y mejor que se me ocurre es utilizar el siguiente método definido en la serie Java -

String[] split(String regex) 

y sólo hacer "Esta es una muestra oración ".split (" "). Debido a que toma una expresión regular, también puedes dividir más complicado, lo que puede incluir eliminar la puntuación no deseada y otros caracteres similares.

Answer 3

Utilice string.replace(".", "").replace(",", "").replace("?", "").replace("!","").split(' ') para dividir el código en una matriz sin puntos, comas, signos de interrogación o signos de admiración. Puede agregar/eliminar tantas llamadas de reemplazo como desee.

Answer 4

También puede usar BreakIterator.getWordInstance.

Answer 5

Prueba esto:

String[] stringArray = Pattern.compile("ian").split(
"This is a sample sentence" 
.replaceAll("[^\\p{Alnum}]+", "") //this will remove all non alpha numeric chars 
); 

for (int j=0; i<stringArray .length; j++) { 
    System.out.println(i + " \"" + stringArray [j] + "\""); 
} 

Answer 6

string.replaceAll() no funciona correctamente con la configuración regional diferente del predefinido. Al menos en jdk7u10.

En este ejemplo se crea un diccionario de palabras del archivo de texto con CP1251 ventanas juego de caracteres cirílico

public static void main (String[] args) { 
    String fileName = "Tolstoy_VoinaMir.txt"; 
    try { 
     List<String> lines = Files.readAllLines(Paths.get(fileName), 
               Charset.forName("CP1251")); 
     Set<String> words = new TreeSet<>(); 
     for (String s: lines) { 
      for (String w : s.split("\\s+")) { 
       w = w.replaceAll("\\p{Punct}",""); 
       words.add(w); 
      } 
     } 
     for (String w: words) { 
      System.out.println(w); 
     } 
    } catch (Exception e) { 
     e.printStackTrace(); 
    } 

Answer 7

Sólo puede dividir su cadena como que el uso de esta expresión regulares

String l = "sofia, malgré tout aimait : la laitue et le choux !" <br/> 
l.split("[[ ]*|[,]*|[\\.]*|[:]*|[/]*|[!]*|[?]*|[+]*]+"); 

Answer 8

A continuación se presenta un código de fragmento que divide una oración a la palabra y dar su cuenta también.

import java.util.HashMap; 
import java.util.Iterator; 
import java.util.Map; 

public class StringToword { 
public static void main(String[] args) { 
    String s="a a a A A"; 
    String[] splitedString=s.split(" "); 
    Map m=new HashMap(); 
    int count=1; 
    for(String s1 :splitedString){ 
     count=m.containsKey(s1)?count+1:1; 
      m.put(s1, count); 
     } 
    Iterator<StringToword> itr=m.entrySet().iterator(); 
    while(itr.hasNext()){ 
     System.out.println(itr.next());   
    } 
    } 

} 

Answer 9

Ya publiqué esta respuesta en alguna parte, lo haré aquí de nuevo. Esta versión no usa ningún método incorporado importante. Obtuvo la matriz de caracteres, la convirtió en una cadena. Espero que ayude!

import java.util.Scanner; 

public class SentenceToWord 
{ 
    public static int getNumberOfWords(String sentence) 
    { 
     int counter=0; 
     for(int i=0;i<sentence.length();i++) 
     { 
      if(sentence.charAt(i)==' ') 
      counter++; 
     } 
     return counter+1; 
    } 

    public static char[] getSubString(String sentence,int start,int end) //method to give substring, replacement of String.substring() 
    { 
     int counter=0; 
     char charArrayToReturn[]=new char[end-start]; 
     for(int i=start;i<end;i++) 
     { 
      charArrayToReturn[counter++]=sentence.charAt(i); 
     } 
     return charArrayToReturn; 
    } 

    public static char[][] getWordsFromString(String sentence) 
    { 
     int wordsCounter=0; 
     int spaceIndex=0; 
     int length=sentence.length(); 
     char wordsArray[][]=new char[getNumberOfWords(sentence)][]; 
     for(int i=0;i<length;i++) 
     { 
      if(sentence.charAt(i)==' ' || i+1==length) 
      { 
      wordsArray[wordsCounter++]=getSubString(sentence, spaceIndex,i+1); //get each word as substring 
      spaceIndex=i+1; //increment space index 
      } 
     } 
     return wordsArray; //return the 2 dimensional char array 
    } 


    public static void main(String[] args) 
    { 
    System.out.println("Please enter the String"); 
    Scanner input=new Scanner(System.in); 
    String userInput=input.nextLine().trim(); 
    int numOfWords=getNumberOfWords(userInput); 
    char words[][]=new char[numOfWords+1][]; 
    words=getWordsFromString(userInput); 
    System.out.println("Total number of words found in the String is "+(numOfWords)); 
    for(int i=0;i<numOfWords;i++) 
    { 
     System.out.println(" "); 
     for(int j=0;j<words[i].length;j++) 
     { 
     System.out.print(words[i][j]);//print out each char one by one 
     } 
    } 
    } 

} 

Answer 10

Puede buscar BreakIterator.getWordInstance para buscar todas las palabras de una cadena.

public static List<String> getWords(String text) { 
    List<String> words = new ArrayList<String>(); 
    BreakIterator breakIterator = BreakIterator.getWordInstance(); 
    breakIterator.setText(text); 
    int lastIndex = breakIterator.first(); 
    while (BreakIterator.DONE != lastIndex) { 
     int firstIndex = lastIndex; 
     lastIndex = breakIterator.next(); 
     if (lastIndex != BreakIterator.DONE && Character.isLetterOrDigit(text.charAt(firstIndex))) { 
      words.add(text.substring(firstIndex, lastIndex)); 
     } 
    } 

    return words; 
} 

prueba:

public static void main(String[] args) { 
    System.out.println(getWords("A PT CR M0RT BOUSG SABN NTE TR/GB/(G) = RAND(MIN(XXX, YY + ABC))")); 
} 

salida de la señal:

[A, PT, CR, M0RT, BOUSG, SABN, NTE, TR, GB, G, RAND, MIN, XXX, YY, ABC] 

Answer 11

Trate de usar la siguiente:

String str = "This is a simple sentence"; 
String[] strgs = str.split(" "); 

que creará una subcadena en cada índice de la matriz de cadenas usando el espacio como un punto de división.

Answer 12

Ahora, esto se puede lograr simplemente con split, ya que toma expresión regular:

String s = "This is a sample sentence with []s."; 
String[] words = s.split("\\W+"); 

esto le dará las palabras como: {"this","is","a","sample","sentence", "s"}

El \\W+ coincidirá con todos los caracteres no alfabéticos se producen una o más veces . Entonces no hay necesidad de reemplazar. Usted puede verificar otros patrones también.

Answer 13

Otra forma de hacerlo es StringTokenizer. por ejemplo: -

public static void main(String[] args) { 

    String str = "This is a sample string"; 
    StringTokenizer st = new StringTokenizer(str," "); 
    String starr[]=new String[st.countTokens()]; 
    while (st.hasMoreElements()) { 
     starr[i++]=st.nextElement(); 
    } 
} 

Answer 14

Puede utilizar el código siguiente sencillo

String str= "This is a sample sentence."; 
String[] words = str.split("[[ ]*|[//.]]"); 
for(int i=0;i<words.length;i++) 
System.out.print(words[i]+" ");