আমি টেক্সট অনুসন্ধানের শব্দ পছন্দ জন্য একটি এমনকি খারাপ সমস্যাতে পড়েছি .NET, C++, C#, এবং C। আপনি ভাববেন যে কম্পিউটার প্রোগ্রামাররা এমন কোনও ভাষার নাম দেওয়ার চেয়ে আরও ভাল জানবেন যার পক্ষে নিয়মিত প্রকাশ করা শক্ত।
যাই হোক, এটা আমি কি জানতে পেরেছি (থেকে বেশিরভাগই সংক্ষিপ্ত করা হয় http://www.regular-expressions.info , যা একটি ভালো সাইট): Regex অধিকাংশ স্বাদে, অক্ষর আছে যা সংক্ষিপ্ত সরাসরি চরিত্র বর্গ দ্বারা মেলানো হয় \wহয় অক্ষর যা শব্দ সীমানা দ্বারা শব্দ অক্ষর হিসাবে বিবেচিত হয় characters জাভা ব্যতিক্রম। জাভা ইউনিকোডের জন্য সমর্থন করে \bতবে এর জন্য নয় \w। (আমি নিশ্চিত যে সেসময় এটির জন্য একটি ভাল কারণ ছিল)।
এর \wঅর্থ দাঁড়ায় "শব্দ চরিত্র"। এটি সবসময় ASCII অক্ষরের সাথে মেলে [A-Za-z0-9_]। আন্ডারস্কোর এবং অঙ্কগুলির অন্তর্ভুক্তিটি লক্ষ্য করুন (তবে ড্যাশ নয়!)। ইউনিকোডকে সমর্থন করে এমন বেশিরভাগ স্বাদে \wঅন্যান্য স্ক্রিপ্টগুলির অনেকগুলি অক্ষর অন্তর্ভুক্ত রয়েছে। কোন চরিত্রগুলি আসলে অন্তর্ভুক্ত করা হয়েছে তা নিয়ে প্রচুর অসঙ্গতি রয়েছে। বর্ণমালা স্ক্রিপ্ট এবং আদর্শগ্রন্থগুলি থেকে বর্ণ এবং অঙ্কগুলি সাধারণত অন্তর্ভুক্ত করা হয়। অঙ্কগুলি আন্ডারস্কোর এবং সংখ্যা চিহ্ন ছাড়া অন্য সংযোগ বিরামচিহ্নগুলি অন্তর্ভুক্ত থাকতে পারে বা নাও থাকতে পারে। এক্সএমএল স্কিমা এবং এক্সপাথ এমনকি সমস্ত চিহ্নগুলিকে অন্তর্ভুক্ত করে \w। তবে জাভা, জাভাস্ক্রিপ্ট এবং পিসিআরই কেবলমাত্র ASCII অক্ষরের সাথে মেলে \w।
যে কারণে জাভা-ভিত্তিক রেজেক্স অনুসন্ধান করে C++, C#বা .NET(আপনি যখন পিরিয়ড এবং প্লাসগুলি এড়িয়ে যাওয়ার কথা মনে রাখবেন তখনও) দ্বারা স্ক্রু করা হয় \b।
দ্রষ্টব্য: আমি টেক্সটে ভুল সম্পর্কে কী করব তা নিশ্চিত নই, যেমন যখন কোনও বাক্য শেষে কোনও সময়কালের পরে কোনও স্থান রাখে না। আমি এটির জন্য অনুমতি দিয়েছি, তবে আমি নিশ্চিত নই যে এটি করণটি অবশ্যই প্রয়োজন।
যাইহোক, জাভাতে, আপনি যদি এই অদ্ভুত নামযুক্ত ভাষার জন্য পাঠ্য সন্ধান করেন তবে আপনাকে \bসাদা স্থান এবং বিরামচিহ্ন ডিজাইনারদের আগে এবং পরে এর সাথে প্রতিস্থাপন করতে হবে । উদাহরণ স্বরূপ:
public static String grep(String regexp, String multiLineStringToSearch) {
String result = "";
String[] lines = multiLineStringToSearch.split("\\n");
Pattern pattern = Pattern.compile(regexp);
for (String line : lines) {
Matcher matcher = pattern.matcher(line);
if (matcher.find()) {
result = result + "\n" + line;
}
}
return result.trim();
}
তারপরে আপনার পরীক্ষা বা প্রধান ফাংশনে:
String beforeWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|^)";
String afterWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|$)";
text = "Programming in C, (C++) C#, Java, and .NET.";
System.out.println("text="+text);
// Here is where Java word boundaries do not work correctly on "cutesy" computer language names.
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for .NET="+ grep("\\b\\.NET\\b", text));
System.out.println("Should find: grep exactly for .NET="+ grep(beforeWord+"\\.NET"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java: grep with word boundary for C#="+ grep("\\bC#\\b", text));
System.out.println("Should find: grep exactly for C#="+ grep("C#"+afterWord, text));
System.out.println("Bad word boundary can't find because of Java:grep with word boundary for C++="+ grep("\\bC\\+\\+\\b", text));
System.out.println("Should find: grep exactly for C++="+ grep(beforeWord+"C\\+\\+"+afterWord, text));
System.out.println("Should find: grep with word boundary for Java="+ grep("\\bJava\\b", text));
System.out.println("Should find: grep for case-insensitive java="+ grep("?i)\\bjava\\b", text));
System.out.println("Should find: grep with word boundary for C="+ grep("\\bC\\b", text)); // Works Ok for this example, but see below
// Because of the stupid too-short cutsey name, searches find stuff it shouldn't.
text = "Worked on C&O (Chesapeake and Ohio) Canal when I was younger; more recently developed in Lisp.";
System.out.println("text="+text);
System.out.println("Bad word boundary because of C name: grep with word boundary for C="+ grep("\\bC\\b", text));
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
// Make sure the first and last cases work OK.
text = "C is a language that should have been named differently.";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
text = "One language that should have been named differently is C";
System.out.println("text="+text);
System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
//Make sure we don't get false positives
text = "The letter 'c' can be hard as in Cat, or soft as in Cindy. Computer languages should not require disambiguation (e.g. Ruby, Python vs. Fortran, Hadoop)";
System.out.println("text="+text);
System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
পিএস আমার ধন্যবাদ http://regexpal.com/ যাকে ছাড়া রেজেক্স ওয়ার্ল্ডটি খুব কৃপণ হবে!
