Java正则表达式：按空格及标点分割字符串但保留撇号与连字符

好问题！要实现按所有标点符号和空格分割字符串，但保留单词内部正确使用的撇号（比如don't）和连字符（比如mother-in-law），可以用正则表达式配合Python的re.split()方法来搞定。

核心正则表达式 #

r'[^a-zA-Z0-9\'-]|\s'

完整代码示例 #

import re

# 测试文本
sample_text = "Hello, world! Don't forget about mother-in-law; she's awesome.   Let's test---this."

# 分割字符串
split_result = re.split(r'[^a-zA-Z0-9\'-]|\s', sample_text)
# 过滤分割后产生的空字符串（处理连续分隔符的情况）
cleaned_result = list(filter(None, split_result))

print(cleaned_result)
# 输出: ['Hello', 'world', "Don't", 'forget', 'about', 'mother-in-law', "she's", 'awesome', "Let's", 'test', 'this']

正则表达式解释 #

我们的正则表达式分成两部分，用|（或）连接：

• [^a-zA-Z0-9\'-]：匹配任何不是字母、数字、撇号（'）或连字符（-）的字符——这些就是我们要作为分隔符的标点符号。
• \s：匹配任何空白字符（包括空格、制表符、换行符等），实现按空格分割的需求。

为什么要过滤空字符串？ #

当遇到连续的分隔符（比如多个空格连在一起，或者标点+空格的组合）时，re.split()会生成空字符串元素。用filter(None, ...)可以把这些无用的空字符串过滤掉，得到干净的单词列表。

额外说明 #

如果你不需要保留下划线（因为\w默认包含下划线，而我们上面用的是a-zA-Z0-9），这个正则已经满足需求；如果你的场景需要支持其他语言的字符（比如中文），可以把a-zA-Z0-9替换成\p{L}\p{N}（需要在正则里加上re.UNICODE或re.U标志），不过这取决于你的具体使用场景。

内容的提问来源于stack exchange，提问作者Jeffrey Lin