Solução com \W
Nas expressões regulares implementadas no Java, conforme documentação da classe Pattern
, existe uma classe de caracteres \w
(minúsculo), que representa os caracteres que formam palavra. Seria o mesmo que [a-zA-Z_0-9]
.
Existe também a classe de caracteres \W
(maiúsculo), que representa o oposto da anterior, isto é, caracteres que não formam palavras.
Uma solução simplista seria usar o \W
para quebrar a String por qualquer caractere que não seja de uma palavra, incluindo qualquer pontuação e espaço.
Mas há problemas com esta abordagem:
- Não considera caracteres especiais que comumente fazem parte de palavras, como é o caso do hífen, por exemplo.
- Não considera caracteres acentuadas pois eles não fazem parte do conjunto de caracteres de palavras do
\w
.
Solução específica
Uma solução mais específica seria definir um conjunto de caracteres que devem "quebrar" a String. Exemplo:
String caracteres = " #@_\\/.*";
Depois, você coloca esses caracteres entre colchetes, o que em expressões regulares significa uma classe personalizada de caracteres. Exemplo:
String words[] = line.split("[" + Pattern.quote(caracteres) + "]");
O método Pattern.quote
acima garante que os caracteres receberão o escape necessário para não estragar a expressão regular.
Exemplo completo
String line = "1 2#3@4_5/6.7*8";
String caracteres = " #@_\\/.*";
String words[] = line.split("[" + Pattern.quote(caracteres) + "]");
for (String string : words) {
System.out.print(string + " ");
}
Saída:
1 2 3 4 5 6 7 8
Caracteres especiais em sequência
Com a expressão acima, podem ficar palavras em branco no vetor, caso sejam encontrados dois caracteres especiais ou espaços em sequência. Isso é comum no caso de uma frase que contém um ponto final ou vírgula seguido de um espaço em branco.
Para evitar que isso aconteça, basta acrescentar um +
à direta da classe personalizada para que o split
capture a sequência de caracteres especiais num único bloco, de uma só vez. Exemplo:
String words[] = line.split("[" + Pattern.quote(caracteres) + "]+");