利用正则表达式抽取句子

有这样一种模式的文本：

Figure 2a. ****.(a).*******. (b).*********.(c).************.

Figure 3d. (a).*******. (b,c,d).*****. (b).***********.(c).********.(d).********

Figure 1a. ****.(a,b).********.

要求，对于“Figure 2a”，抽取出描述“a”的文本部分，而描述它的文本有三部分构成，

一是：全局共有部分，上例中标红的部分；

二是：局部共有部分，上例中标蓝的部分；

三是：(a).后面的描述部分。

解决思路：

（1）、采用java的正则表达式工具，先将这些模式识别出来：

String regex = "(Figure \\d{1,2}[a-z]{1})|(\\([a-z]{1}(, [a-z])*\\))";  

（2）、通过两种数据结构来抽取到所要的文本：

LinkedHashMap：<模式的index, 模式文本>，例如[<0,Figure 2a>, <12, (a)>]
LinkedList:           存储模式的位置index

下面直接上代码：

public static String FindCaption(String candidate){
		HashMap<Integer,String> hm = new LinkedHashMap<Integer,String>();
		List<Integer> lc = new LinkedList<Integer>();
		LinkedHashSet<Integer> lhs = new LinkedHashSet<Integer>();
		StringBuffer sb = new StringBuffer();
		String regex = "(Figure \\d{1,2}[a-z]{1})|(\\([a-z]{1}(, [a-z])*\\))";  
		String r = "[a-z]";
		candidate = candidate.replaceAll("<\\w+>[\\w?\\d?]</\\w+>", "").replaceAll("<\\w+>", "").replaceAll("</\\w+>", "");
		Pattern p = Pattern.compile(regex);
		Pattern p2 = Pattern.compile(r);
		Matcher m = p.matcher(candidate);  
		String val = null;  
		int base = 0;
		while (m.find()){  
			val = m.group();  
			hm.put(candidate.indexOf(val), val);
			lhs.add(candidate.indexOf(val));
			//hm存储匹配到的模式的索引和字符串本身，键值对的方式存储
		} 
		for(int i : lhs){
			lc.add(i);
		}
		if (val == null) {  
			System.out.println("NO MATCHES: ");  
			sb.append(candidate.substring(candidate.indexOf("Figure")+9));
		}else{
			base = hm.values().toArray()[0].toString().length();
			//"(Figure \\d{1,2}[a-z]{1})"部分的长度
			
			if(base>8){
				//表示有子图
				String s = hm.values().toArray()[0].toString().substring(base-1);
				//获得该幅图像是系列图像中的第几幅，（a,b,c,d?）
				
				//所有图像的公共部分
				if(lc.size()>1){
					sb.append(candidate.subSequence(lc.get(0)+base+1, lc.get(1)));
				}
				Set<String> set = null;
				for(Map.Entry<Integer,String> es : hm.entrySet()){
					if(es.getValue().toString().startsWith("(")){
						set = new HashSet<String>();
						Matcher m2 = p2.matcher(es.getValue());
						while(m2.find()){
							set.add(m2.group());
						}
						if(set.contains(s)){
							//表明不是最后一副
							if(lc.indexOf(es.getKey())<lc.size()-1){
								sb.append(candidate.subSequence(es.getKey()+es.getValue().length(), lc.get(lc.indexOf(es.getKey())+1)));
							}else{
								//表明是最后一副
								sb.append(candidate.substring(es.getKey()+es.getValue().length()));
							}
						}
					}
				}
			}  
		}
		return sb.toString().trim();
	}