Regex Java word context

问题

what I want to achieve is that I want to obtain the context of an acronym. Can you help me pls with the regular expression?

I am looping over the text (String) and looking for dots, after match I am trying to get the context of the particular found acronym, so that I can do some other processing after that, but I cant get the context. I need to take at least 5 words before and 5 words after the acronym.

//Pattern to match each word ending with dot
    Pattern pattern = Pattern.compile("(\\w+)\\b([.])");


    Matcher matchDot = pattern.matcher(textToCorrect);
    while (matchDot.find()) {
        System.out.println("zkratka ---"+matchDot.group()+" ---");


        //5 words before and after tha match = context
     //   Matcher matchContext = Pattern.compile("(.{25})("+matchDot.group()+")(.{25})").matcher(textToCorrect);
        Pattern patternContext = Pattern.compile("(?:[a-zA-Z'-]+[^a-zA-Z'-]+){0,10}"+matchDot.group()+"(?:[^a-zA-Z'-]+[a-zA-Z'-]+){0,10}");
        Matcher matchContext = patternContext.matcher(textToCorrect);
        if (matchContext.find()) {              
             System.out.println("context: "+matchContext.group()+" :");

    //       System.out.println("context: "+matchContext.group(1)+" :");
    //       System.out.println("context: "+matchContext.group(2)+" :");
        }

    }

Example:

input: Some 84% of Paris residents see fighting pol. as a priority and 54% supported a diesel ban in the city by 2020, according a poll carried out for the Journal du Dimanche.

output:
1-st regex will find pol.
2-nd regex will find "of Paris residents see fighting pol. as a priority and 54%"

Another example with more text

I need to loop through this once and every time I match an acronym to get the context of this particular acronym. After that I am processing some datamining. Here's the original text

neklidná nemocná, vyš. je možné provést pouze nativně

Na mozku je patrna hyperdenzita v počátečním úseku a. cerebri media vlevo, vlevo se objevuje již smazání hranic mezi bazálními ganglii a okolní bílou hmotou a mírná difuzní hypointenzita v periventrikulární bílé hmotě. Kromě těchto čerstvých změn jsou patrné staré postmalatické změny temporálně a parietookcipitálně vlevo. Oboustranně jsou patrné vícečetné vaskulární mikroléze v centrum semiovale bilat. Nejsou známky nitrolebního krvácení. skelet kalvy orientačně nihil tr.

Z á v ě r: Známky hyperakutní ischemie v povodí ACM vlevo, staré postmalatickéé změny T,P a O vlevo, vaskulární mikroléze v centrum semiovale bilat.

CT AG: vyš. po bolu k.l..

Po zklidnění nemocné se podařilo provést CT AG. Na krku je naznačený kinkink na ACC vlevo a ACI vlevo pod bazí. Kalcifikace v karotických sifonech nepůsobí hemodynamicky významné stenozy. Intrakraniálně je patrný konický uzávěr operkulárního úseku a. cerebri media vlevo pro parietální lalok. Ostatní nález na intrakraniálním tepenném řečišti je v mezích normy.

Z á v ě r: uzávěr operkulárního úseku a. cerebri media vlevo.

Of course if it matches end of sentence is ok for me :-) The question is to find all the acronyms even if they are before new line (\n)

回答1:

((?:[\w!@#$%&*]+\s+){5}([\w!@#$%&*]+\.)(?:\s+[\w!@#$%&*]+){5})

Try this.See demo.

https://regex101.com/r/aQ3zJ3/9

回答2:

I would try this out:

(?:\w+\W+){5}((?:\w.?)+)(?:\w+\W+){5}

Though natural language processing with regular expressions cannot be accurate.

来源：https://stackoverflow.com/questions/27346080/regex-java-word-context

标签

java

regex

string

matcher