Javaの正規表現を使って文字列から各英単語を抽出する方法

Javaでテキスト処理を行う際、「文字列に含まれる単語だけを取り出したい」という場面はよくあります。そんなときに役立つのが正規表現です。

正規表現 "[a-zA-Z]+" は、「1文字以上の連続する英字（アルファベット）」にマッチするパターンです。このパターンを利用することで、入力文字列から各英単語を簡単に抽出できます。

単語を抽出する手順

1. パターンのコンパイル： Patternクラスのcompile()メソッドに正規表現 "[a-zA-Z]+" を渡してコンパイルし、Patternオブジェクトを作成します。
2. Matcherオブジェクトの取得： Patternクラスのmatcher()メソッドに、対象となる入力文字列を引数として渡し、Matcherオブジェクトを取得します。
3. マッチ結果の取得： find()メソッドでマッチ位置を順次走査しながら、group()メソッドを呼び出すことで、マッチした各単語を取り出します。

サンプルコード

import java.util.Scanner;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class EachWordExample {
    public static void main(String[] args) {
        Scanner sc = new Scanner(System.in);
        System.out.println("Enter sample text: ");
        String data = sc.nextLine();

        String regex = "[a-zA-Z]+";

        // Patternオブジェクトの作成
        Pattern pattern = Pattern.compile(regex);

        // Matcherオブジェクトの作成
        Matcher matcher = pattern.matcher(data);

        System.out.println("Words in the given String: ");
        while(matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}

実行結果

Enter sample text:
Hello this is a sample text
Words in the given String:
Hello
this
is
a
sample
text

コードのポイント

• find() メソッドは、入力文字列の中で次にパターンにマッチする部分があるかどうかを判定します。whileループと組み合わせることで、すべての単語を順番に処理できます。
• group() メソッドは、直前のマッチで実際に一致した文字列を返します。
• このパターンは英字のみに対応しているため、数字や記号、句読点は自動的に除外されます。例えば "Hello, world!" のような文字列からも、カンマや感嘆符を除いた "Hello" と "world" だけを抽出できます。

まとめ

Pattern.compile() で正規表現を準備し、matcher() で対象文字列を設定、find() と group() を組み合わせて走査する――この3ステップだけで、文字列から英単語を抽出できます。ログ解析やテキスト処理など、さまざまな場面で応用できる基本的なテクニックなので、ぜひ覚えておきましょう。