我正在研究文本標記器。 ICU是具有此功能的極少數C++庫之一,並且可能是維護最好的一個,所以我想使用它。 我發現了有關BreakIterator
的文檔,但有一個問題:如何將標點符號排除?將文本拆分爲與ICU的單詞列表
#include "unicode/brkiter.h"
#include <QFile>
#include <vector>
std::vector<QString> listWordBoundaries(const UnicodeString& s)
{
UErrorCode status = U_ZERO_ERROR;
BreakIterator* bi = BreakIterator::createWordInstance(Locale::getUS(), status);
std::vector<QString> words;
bi->setText(s);
for (int32_t p = bi->first(), prevBoundary = 0; p != BreakIterator::DONE; prevBoundary = p, p = bi->next())
{
const auto word = s.tempSubStringBetween(prevBoundary, p);
char buffer [16384];
word.toUTF8(CheckedArrayByteSink(buffer, 16384));
words.emplace_back(QString::fromUtf8(buffer));
}
delete bi;
return words;
}
int main(int /*argc*/, char * /*argv*/ [])
{
QFile f("E:\\words.TXT");
f.open(QFile::ReadOnly);
QFile result("E:\\words.TXT");
result.open(QFile::WriteOnly);
const QByteArray strData = f.readAll();
for (const QString& word: listWordBoundaries(UnicodeString::fromUTF8(StringPiece(strData.data(), strData.size()))))
{
result.write(word.toUtf8());
result.write("\n");
}
return 0;
}
當然,生成的文件是這樣的:
「
Come
outside
.
Best
if
we
do
not
wake
him
.
」
我需要的是只是的話。如何才能做到這一點?
[ispunct](http://www.cplusplus.com/reference/cctype/ispunct/)函數呢?您可以檢查令牌是否由一個字符組成,然後將其作爲整數並檢查該功能。 –
@BiagioFesta:首先,我在這裏有很多非ASCII字符(如引號)。其次,非單詞不一定是單個字符(例如,逗號+空格+開頭引號)。 –