Motif, matcher en Java, REGEX aide

Question

J'essaie de simplement se débarrasser de double mots consécutifs à partir d'un fichier texte, et quelqu'un a dit que je pouvais faire quelque chose comme ceci:

Pattern p = Pattern.compile("(\\w+) \\1"); 
StringBuilder sb = new StringBuilder(1000); 
int i = 0; 
for (String s : lineOfWords) { // line of words is a List<String> that has each line read in from txt file 
Matcher m = p.matcher(s.toUpperCase()); 
// and then do something like 
while (m.find()) { 
    // do something here 
} 

J'ai essayé de regarder le m.end pour voir si je pourrais créer une nouvelle chaîne, ou enlever le (s) article (s) où les allumettes sont, mais je n'étais pas sûr comment cela fonctionne après avoir lu la documentation. Par exemple, en cas de test pour voir comment cela a fonctionné, je l'ai fait:

if (m.find()) { 
System.out.println(s.substring(i, m.end())); 
    } 

Pour le fichier texte qui a: This is an example example test test test.

Pourquoi ma sortie This is?

Edit:

si j'ai un lineOfWords de AraryList qui lit chaque ligne à partir d'une ligne de fichier txt, puis créer un nouveau ArrayList pour contenir la chaîne modifiée. Par exemple

List<String> newString = new ArrayList<String>(); 
for (String s : lineOfWords { 
    s = s.replaceAll(code from Kobi here); 
    newString.add(s); 
} 

mais alors il ne me donne pas les nouveaux, mais l'original s. Est-ce à cause de la copie peu profonde ou profonde?

Answer 1

Essayez quelque chose comme:

s = s.replaceAll("\\b(\\w+)\\b(\\s+\\1)+\\b", "$1"); 

Ce regex est un peu plus fort que le vôtre - il vérifie les mots entiers (sans résultat partiel), et se débarrasse de tout nombre de répétitions consécutives.
La regex capture un premier mot: \b(\w+)\b, puis tente de faire correspondre les espaces et les répétitions de ce mot: (\s+\1)+. Le \b final est d'éviter la correspondance partielle de \1, comme dans "for formatting".

Answer 2

Le premier résultat est "Th EST IS un exemple ...", donc m.end() points à la fin de la seconde "est". Je ne suis pas sûr pourquoi vous utilisez i pour l'index de départ; essayez plutôt m.start().

Pour améliorer votre expression régulière, utilisez \b avant et après le mot pour indiquer qu'il doit y avoir des limites de mots: (\\b\\w+\\b). Sinon, comme vous le voyez, vous obtiendrez des correspondances à l'intérieur des mots.