删除/清除/过滤标点（所有中英文标点）的正则表达式——Desktop Search开发笔记【经验积累】

在进行文本分析的时候我们经常需要过滤掉停用词，标点等，本文给大家介绍一下如何识别并删除文本中的所有标点符号。下面是三个可行的正则表达式方案，童鞋们来试试吧^_^

(1) s.replaceAll( "\\p{Punct}", "" );      
(2) s.replaceAll("\\pP" , "");      
(3) s.replaceAll("\\p{P}" , ""); 

(1)不能完全清楚所有标点，(2)和(3)等价都能完全清楚标点（中文和英文都能清除）

需要注意的是，还是存在一些系统不认为是标点的半角和全角符号无法清除，如下所示：

+~$`^=|<>～｀＄＾＋＝｜＜＞￥×

修改后：

(2) s.replaceAll( "[\\pP+~$`^=|<>～｀＄＾＋＝｜＜＞￥×]" , "");      
(3) s.replaceAll( "[\\p{P}+~$`^=|<>～｀＄＾＋＝｜＜＞￥×]" , ""); 

上面的三个方案中给出的都是采用 Unicode 标点属性方式的正则表达式，可以去掉所有的标点符号，包括全角、半角、横排、竖排等的标点符号。

注意一下， JDK 5 或以下的环境中不支持全角单引号对、双引号替换。在 JDK 6 中由于加入了Pi 和 Pf 两个 Unicode 子属性，因此就能替换掉。

在 JDK 6 以下的版本中可以这样：

 s = s.replaceAll("[\\pP‘’“”]", "");