Java中如何用正则表达式提取多文本文件中的带重音单词

正确的正则表达式 #

要精准匹配完全由重音字符构成的完整单词，可以使用支持Unicode属性的正则表达式，覆盖所有非ASCII的带重音字母：

\b[\p{M}\p{L}&&[^\p{ASCII}]]+\b

• \b：锁定单词边界，确保抓取的是完整单词而非片段
• [\p{M}\p{L}&&[^\p{ASCII}]]：匹配所有非ASCII的字母（\p{L}）及组合重音标记（\p{M}），覆盖各类带重音的字符（如é、ñ、à、ç等）
• +：匹配一个或多个符合条件的字符

如果你的工具不支持Unicode属性，可使用指定重音字符范围的兼容版本：

\b[À-ÿâäàåçéêëèïîìôöòûüùñ]+

批量处理脚本（Python） #

以下代码可遍历目标文件夹内所有.txt文件，自动提取符合要求的单词并去重：

import os
import re

# 正则模式（支持Unicode重音字符）
pattern = re.compile(r'\b[\p{M}\p{L}&&[^\p{ASCII}]]+\b', re.UNICODE)
# 替换为你的目标文件夹路径
target_dir = "./your_text_folder"

extracted_words = set()

# 遍历文件夹中所有文本文件
for root, _, files in os.walk(target_dir):
    for file in files:
        if file.lower().endswith(".txt"):
            file_path = os.path.join(root, file)
            with open(file_path, 'r', encoding='utf-8') as f:
                content = f.read()
                matches = pattern.findall(content)
                extracted_words.update(matches)

# 输出结果
print("提取到的仅含重音字符的单词：")
for word in sorted(extracted_words):
    print(word)

问题排查 #

你之前的正则失效通常是以下原因：

• 未使用\b单词边界，导致匹配普通单词中的重音字符片段
• 仅匹配单个重音字符而非连续的完整单词
• 未排除ASCII普通字符，导致混入带部分重音的普通单词

内容的提问来源于stack exchange，提问作者RONNY