如何使用StringToWordVector過濾器從阿拉伯文字中刪除英文字母

Question

我正在嘗試在我的阿拉伯文字上使用StringToWordVector過濾器，並且我想要移除英文字母和數字以及表情符號「我的數據是推文」並且我想要只保留阿拉伯文字。 有誰知道如何用StringToWordVector過濾器做到這一點？ 順便說一句，我使用Weka庫的Java。

Answer 1

您正在使用Java，因此請使用簡單的字符串操作來簡化它。

要刪除拉丁文字母和數字（其中英語使用）：

String cleaned = input.replaceAll("[a-zA-Z0-9]", ""); 

的「表情」的定義是鬆散的，但他們也刪除嘗試：

String cleaned = input.replaceAll("[a-zA-Z0-9]|[:;]-?[()ODp]", "");