如何解决英语收缩灾难

背景

写一个直引号到弯引号转换器，我希望将替换分成几个不同的步骤。第一步是使用已知收缩的词典替换文本中的收缩。这不会解决歧义，但应该转换常见收缩中的直接引用用法。

问题

在 Java 中，\b 和 \w 不包含撇号作为单词的一部分，这使得这个问题有点棘手。问题在于匹配以下单词：

包含一个或多个撇号，但不以一个（内部）开头或结尾；
以撇号开头，可以包含一个或多个，但不以一个结尾（开始）；
以撇号结尾，可以包含一个或多个，但不要以一个开头（结束）；和
以撇号开头和结尾，但不能包含撇号（外部）。

代码

给出一些无意义的文字：

'Twas --- Wha'？不会吧？ 'Twas，或'twasn't，'这就是'黎明'和'黄昏'n的东西。做饭？ “山姆”的地方，“哟”

正则表达式应捕获以下单词：

内部：what's
开始：'Twas、'Twas、'twasn't、'tis、'tween、'n
结束：Wha'、Wouldn'tcha'、Cookin'
外：'n'、'Sams'、'yo'

以下是无效的表达方式，混杂了一些恶意的想法：

内部：\p{L}+'\p{L}*\p{L}
开始：((?<=[^\p{L}])|^)'\p{L}+('\p{L}|\p{L})?
结束：(\p{L}|\p{L}')+'(?=[^\p{L}]|$)

这个似乎有效：

外：((?<=[^\p{L}])|^)'\p{L}+'(?!\p{L})

问题

什么样的正则表达式可以正确地对这四重收缩进行分类？

解决方法

这个正则表达式应该做你想做的。它使用命名的捕获组以适当的环顾对单词进行分类，以确保我们将整个单词与所需的外部引号匹配：

(?<inner>(?<![\p{L}'])(?:\p{L}+')+\p{L}+(?![\p{L}']))|
(?<began>(?<!\p{L})(?:'\p{L}+)+(?![\p{L}']))|
(?<ended>(?<![\p{L}'])(?:\p{L}+')+(?!\p{L}))|
(?<outer>(?<!\p{L})'\p{L}+'(?!\p{L}))

Group inner 查找包含一定数量的字母组后跟引号 (?:\p{L}+')+ 后跟一定数量的字母 \p{L}+ 的字符串。

Group began 查找包含一定数量的引号组和一定数量的字母 (?:'\p{L}+)+ 的字符串。

Group ended 查找包含一定数量的字母组后跟引号 (?:\p{L}+')+ 的字符串。

Group outer 查找两端带有引号且中间带有一些字母 '\p{L}+' 的字符串。

Demo on regex101