本文介绍一种可靠的正则表达式方案，用于从多文本文件中精确提取至少包含一个重音字符的完整单词（如 “café”、“naïve”、“résumé”），而非单个重音字母或纯 ASCII 单词，同时保持原始编码不变。
本文介绍一种可靠的正则表达式方案，用于从多文本文件中精确提取**至少包含一个重音字符的完整单词**（如 “café”、“naïve”、“résumé”），而非单个重音字母或纯 ascii 单词，同时保持原始编码不变。
在 Java 文本处理中，若需批量扫描文件夹下的多个文本文件，并仅提取“含有至少一个重音字符的完整单词”（例如 café、piñata、São），关键在于语义层面的“重音词识别”，而非简单匹配重音字母本身。常见误区包括：
- 仅用 [à-üÀ-Ü]+ —— 匹配连续重音字母（如 ééé），但漏掉 café 这类混合词；
- 使用 ([a-zA-Z]*[à-üÀ-Ü]+[a-zA-Z]*) 但未限定“必须含重音”，导致纯英文单词也被捕获；
- 忽略 Unicode 范围局限性（如 ç, ñ, ø, å 等北欧/拉丁扩展字符未被 à-ü 覆盖）。
✅ 正确思路是：单词必须由字母（ASCII 或重音）构成，且其中至少出现一次重音字符。推荐正则表达式如下：
String accentWordRegex = "[a-zA-Zu00C0-u017F]*[\u00C0-\u017F][a-zA-Zu00C0-\u017F]*";
? 说明：u00C0-u017F 是 Unicode 中拉丁扩展-A 区块（Latin-1 Supplement + Latin Extended-A），覆盖 À-ÿ, Ā-ȳ, Ă-ŷ 等绝大多数西欧、中欧语言重音字符（包括 ç, ñ, ö, ü, å, ø 等）。相比 à-ü 的窄范围，此写法更健壮、国际化兼容性更强。
完整 Java 示例（支持多文件扫描）
import java.io.*;
import java.nio.charset.StandardCharsets;
import java.nio.file.*;
import java.util.*;
import java.util.regex.*;
public class AccentWordExtractor {
// 支持主流拉丁重音字符（含 ç, ñ, ø, å, ß, æ 等）
private static final String ACCENT_WORD_PATTERN =
"[a-zA-Z\u00C0-\u017F]*[\u00C0-\u017F][a-zA-Z\u00C0-\u017F]*";
public static void extractFromFolder(String folderPath) throws IOException {
Path dir = Paths.get(folderPath);
if (!Files.isDirectory(dir)) {
throw new IllegalArgumentException("路径不是有效目录: " + folderPath);
}
Pattern pattern = Pattern.compile(ACCENT_WORD_PATTERN);
Set<String> accentWords = new LinkedHashSet<>(); // 去重且保序
Files.walk(dir)
.filter(Files::isRegularFile)
.filter(path -> path.toString().toLowerCase().endsWith(".txt"))
.forEach(path -> {
try {
String content = Files.readString(path, StandardCharsets.UTF_8);
Matcher matcher = pattern.matcher(content);
while (matcher.find()) {
String word = matcher.group().trim();
if (!word.isEmpty()) accentWords.add(word);
}
} catch (IOException e) {
System.err.println("读取文件失败: " + path + " → " + e.getMessage());
}
});
System.out.println("共提取 " + accentWords.size() + " 个唯一重音单词：");
accentWords.forEach(System.out::println);
}
public static void main(String[] args) throws IOException {
extractFromFolder("./texts"); // 替换为你的文本文件夹路径
}
}⚠️ 关键注意事项
- 编码必须为 UTF-8：确保 Files.readString(..., StandardCharsets.UTF_8) 显式指定，否则重音字符可能乱码或匹配失败；
-
单词边界优化（可选）：若需严格避免 café. 或 naïve, 中的标点干扰，可在正则前后添加 ：
"[a-zA-Z\u00C0-\u017F]*[\u00C0-\u017F][a-zA-Z\u00C0-\u017F]*\b"； - 性能提示：对超大文件，建议使用 BufferedReader 逐行处理，避免全量加载内存；
- 扩展建议：如需支持希腊语、西里尔语等，应补充对应 Unicode 区块（如 u0370-u03FF, u0400-u04FF），并调整逻辑为“至少含一个非 ASCII 字母”。
总结
该方案以“重音字符存在性”为判定核心，通过 [letters]*[accent][letters]* 结构确保提取的是完整单词而非碎片，兼顾准确性与实用性。它不转换、不删除、不归一化，忠实保留原始重音形态，适用于本地化分析、多语言内容审计、词表构建等专业场景。
立即学习“Java免费学习笔记（深入）”；
