不固定长度的java正则表达式Lookbehind

Question

我试图用Java正则表达式匹配句子中的一个名字。仅当名称由普通文本而非其他名称包围时，才应匹配该名称。例如，我想在下面的句子中匹配单词Obama：

Americans said that Obama is ...

但不是在下面的例子中：

Americans said that Barack Obama is ...

要检查令牌是否是一个名称，我需要使用一些简单的东西（一个简单的正则表达式），而不需要依赖更复杂的工具（如NER）。正则表达式使用非固定宽度的量词（*）：

[A-Z][a-z]*

我可以很容易地找到一种方法来避免在后面跟其他名字进行匹配，因为我不能在后面用相同的正则表达式，因为存在不固定宽度的量词

换句话说，我不能使用以下正则表达式：

(?<![A-Z][a-z]*\s)Obama(?!\s[A-Z][a-z]*)

你还有其他简单但有效的方法来解决这个问题吗

Answer 1

的确，Java正则表达式引擎不支持无限宽度查找模式，但是，Java查找模式是受限宽度，这意味着我们可以在其内部使用{n,m}限制量词（设置了最小值和最大值）

所以，你可以使用

String str = "Americans said that Obama is ... Americans said that Barack Obama is ...";
Pattern ptrn = Pattern.compile("(?<!\\b[A-Z][a-z]{0,100}\\s)Obama(?!\\s+[A-Z][a-z]*)");
Matcher matcher = ptrn.matcher(str);
while (matcher.find()) {
    System.out.println(matcher.group(0));
}

见Java online demo

因为这假设单词的长度可以是1到101个字母，所以这不是最好的方法，但可能已经足够了

此外，您还可以依靠捕获：

Pattern ptrn = Pattern.compile("(^|\\s[a-z]+\\s+)(Obama)(?!\\s+[A-Z][a-z]*)");
// ...
while (matcher.find()) {
    System.out.println(matcher.group(2));
}

请参见another demo，Obama将出现在组2中，组1将匹配并使用(^|\\s[a-z]+\\s+)-字符串开头，或一个空格+一个或多个小写ASCII字母和1+空格