标题分词思路

近来公司安排做中文分词的项目，找了一些资料。做了前期的一些代码，贴出来总结一下。

分词开发思路

标题：林德璋PK Martin：“RUP是楷书，XP是草书”对吗？

步骤一：先将一些不能组成词汇的字符剔除。
String arrayChineseRemove[] = {
 "的","吗","么","啊","说","对","在","和","是",
 "被","最","所","那","这","有","将","会","与",
 "於","于","他","她","它","您","为","欢迎"
};
当前字符串形态：林德璋PK Martin：“RUP楷书，XP草书”？

=============================================================

步骤二：将英文单词匹配出来列入数组，并将原英文单词的位置用空格符替换。
Pattern Epattern = Pattern.compile("//d+.//d|//w+//d+.//d|//w+//-//w+|//w+");
Matcher Ema = Epattern.matcher(str);
while(Ema.find()){
  eWord.add(Ema.group());
  str = str.replace(Ema.group(), " ");
}
当前字符串形态：林德璋   ：“ 楷书， 草书”？
英文数组 [PK,Martin,RUP,XP]

=============================================================

步骤三：将剩下的字符串合并，并将多余的空格及符号剔除。
Pattern Cpattern = Pattern.compile("[//u4e00-//u9fa5]|//s");
Matcher Cma = Cpattern.matcher(str);
while(Cma.find()){
 if (!(Cma.group().equals(" ") && isSpace.equals(" "))){
  cWord = cWord + Cma.group().toString();
  isSpace = Cma.group();
 } 
}
当前字符串形态：林德璋 楷书 草书

=============================================================

步骤四：将字符串采用中文分词思路，组成可用单词，并列入数组。 （未完成）

·················

当前字符串形态：林德璋
中文组数[楷书,草书]

=============================================================

步骤五：用正向或者反向匹配算法查询字符串。  （未完成）

·················