使用正則表達式匹配內容還是分隔符更好？

Question

對於一個具體的例子，我想把一個文本文檔分解成句子。捕捉任何字符的字符串，後跟標點符號： -

(.|\n)*?([!?.]\s+|[\n]{2,}|$)

• [!?][\s]*|[.\n][!?\s]+[.!?\s]*這標點符號/空白（分隔符句子之間的東西）匹配：我使用的是後續的正則表達式（可能仍然需要扭捏）考慮或換行符（全句 - 我想要的內容）

通常，哪種方法是首選？在我的具體情況下，我想跟蹤每個句子的開始和結束索引，所以我不能做一些簡單的事情，如String#split。

謝謝。

Answer 1

假設您打算使用vanilla Pattern和Matcher處理，第一個正則表達式通常會捕獲更多，更少的字符（最多可以結束標點符號和一些空白字符），因此應該是最快的。如果你正在解析一個非常大的文檔，這可能會有所作爲。

但是，它可能是笨拙提取的開始和結束索引每個句子，因爲你會從兩個連續兩場比賽需要的信息，以便能夠確定了一個完整的句子。第二個正則表達式直接將句子映射到單個匹配並啓用最簡單的代碼。

因此在這裏沒有免費的午餐。兩者都可以完成這項工作，不過您可以根據您定位的文檔類型使它們更加健壯。尤其要注意句子中出現意外的標點符號，如：

...「？」字符可以用來...