本文介绍一种可靠的正则表达式方案，用于在 Java 中批量扫描文本文件，仅提取至少包含一个重音字符的完整单词（如 “café”、“naïve”、“résumé”），而非单个重音字母或纯 ASCII 单词。
本文介绍一种可靠的正则表达式方案，用于在 java 中批量扫描文本文件，**仅提取至少包含一个重音字符的完整单词**（如 “café”、“naïve”、“résumé”），而非单个重音字母或纯 ascii 单词。
在处理多语言文本（如法语、西班牙语、德语等）时，常需识别并提取含重音符号（accented characters）的单词，例如 café、piñata、über 或 München。关键需求是：保留原始字符形态，不转换也不删除重音；仅匹配“整个单词”，且该单词中至少含一个重音字符；排除纯 ASCII 单词（如 hello）和孤立重音符号（如单独的 é）。
直接使用 [à-üÀ-Ü]+ 会匹配连续重音字母（如 ééé），但无法保证其属于一个合法单词；而 ([a-zA-Z]|[à-üÀ-Ü])+ 则无差别匹配所有字母，失去“必须含重音”的语义约束。正确思路是：定义单词边界 → 允许前后为 ASCII 或重音字母 → 强制中间至少出现一个重音字符。
推荐正则表达式如下：
String pattern = "\b[a-zA-Zà-üÀ-Ü]*[à-üÀ-Ü][a-zA-Zà-üÀ-Ü]*\b";
✅ 关键设计说明：
立即学习“Java免费学习笔记（深入）”；
- \b：单词边界断言，确保匹配完整单词（避免子串误匹配，如从 resume 中错提 sumé）；
- [a-zA-Zà-üÀ-Ü]*：匹配零或多个 ASCII 或重音字母（前缀/后缀）；
- [à-üÀ-Ü]：核心约束——强制至少一个重音字符存在（范围覆盖常见拉丁扩展重音，含 á, ç, ñ, ö, ü, É, Ñ, Ü 等）；
- 整体结构确保：单词中 至少有一个 重音字符，其余字符可为任意合法字母（含无重音字母），且匹配结果是完整单词。
? 完整 Java 示例（遍历文件夹内所有 .txt 文件并提取）：
import java.io.*;
import java.nio.file.*;
import java.util.regex.*;
public class AccentWordExtractor {
private static final String ACCENTED_WORD_REGEX = "\b[a-zA-Zà-üÀ-Ü]*[à-üÀ-Ü][a-zA-Zà-üÀ-Ü]*\b";
public static void extractFromFolder(String folderPath) throws IOException {
Pattern pattern = Pattern.compile(ACCENTED_WORD_REGEX, Pattern.UNICODE_CHARACTER_CLASS);
Files.walk(Paths.get(folderPath))
.filter(path -> path.toString().toLowerCase().endsWith(".txt"))
.forEach(path -> {
try {
String content = Files.readString(path);
Matcher matcher = pattern.matcher(content);
System.out.println("=== In file: " + path.getFileName() + " ===");
while (matcher.find()) {
System.out.println(matcher.group());
}
} catch (IOException e) {
System.err.println("Error reading " + path + ": " + e.getMessage());
}
});
}
public static void main(String[] args) throws IOException {
extractFromFolder("./texts"); // 替换为你的文件夹路径
}
}⚠️ 注意事项：
- 编码必须为 UTF-8：读取文件时务必使用 Files.readString(path, StandardCharsets.UTF_8)（示例中省略因 readString() 默认 UTF-8，但显式指定更安全）；
- 字符范围局限性：[à-üÀ-Ü] 覆盖 ISO-8859-1 / Latin-1 常用重音，但不包含希腊文、西里尔文或越南语等复杂重音体系；如需全面支持 Unicode 重音，建议改用 p{InCombiningDiacriticalMarks} 配合 p{L}（需预处理分解字符），但会显著增加复杂度；
- 性能提示：对大文件，可逐行读取（Files.lines()）替代全量加载，避免内存溢出；
- 边界增强（可选）：若文本含连字符单词（如 co-op, état-major），可在正则中加入 - 并调整边界逻辑，但需谨慎避免过度匹配。
总结：该方案以“重音字符存在性”为核心约束，结合单词边界与混合字符集，实现了准确、高效、可维护的重音单词提取。它不依赖外部库，兼容标准 Java 8+，适用于国际化文本处理的第一步清洗与分析任务。
