Java 处理英文文本标点符号去除

我不是女神ヾ 2022-04-18 05:36 288阅读 0赞

本文作者：合肥工业大学 管理学院 钱洋 email：1563178220@qq.com 内容可能有不到之处，欢迎交流。

**未经本人允许禁止转载**。

### 文章目录 ###

*  介绍
 *  java判断是否为标点符号

# 介绍 #

在英文文本处理时，需要将噪音字符出去，其中标点符号便属于噪音字符。在我的这篇博客中，[https://blog.csdn.net/qy20115549/article/details/83869689][https_blog.csdn.net_qy20115549_article_details_83869689] 介绍了使用stanford-corenlp实现分词、词形还原的操作。其分词结果，标点符号也成了独立的字符串，剩下的工作便是对分词后获得的字符串集合进行逐个判断(即判断是否为标点符号，是否为停用词、是否为URL字符等)。  
在我的这篇博客中https://blog.csdn.net/qy20115549/article/details/80684455，也已经介绍了停用词的处理。

# java判断是否为标点符号 #

如下，为java操作程序：

import java.util.regex.Matcher;
    import java.util.regex.Pattern;
    
    public class Test1 { 
    
    	public static void main(String[] args) { 
    		String c1 = "￥";
    		System.out.println("￥是否为标点符号:" + isPunctuation(c1));
    		String c2 = "we-are";
    		System.out.println("we-are是否为标点符号:" + isPunctuation(c2));
    
    	}
    	//判断是否为标点符号
    	public static boolean isPunctuation(String str)  { 
    		String regEx = "[`~☆★!@#$%^&*()+=|{}':;,\\[\\]》·.<>/?~！@#￥%……（）——+|{}【】‘；：”“’。，、？]";
    		Pattern p = Pattern.compile(regEx);
    		Matcher m = p.matcher(str);
    		//如果长度为1且能匹配正则表达式
    		if (str.length() == 1 && m.matches()) { 
    			return true;
    		}else { 
    			return false;
    		}
    	}
    }

执行该程序，在控制台的输出结果为：

![在这里插入图片描述][20181109081916926.png]

[https_blog.csdn.net_qy20115549_article_details_83869689]: https://blog.csdn.net/qy20115549/article/details/83869689
[20181109081916926.png]: /images/20220418/37cc3314539f4fd88de8bef7e39b000f.png