通过正则表达式和模式匹配提取 Scala 结构化数据

Question

给定字符串格式的结构化数据，如何使用模式匹配和正则表达式有效地提取部分数据？

例子：

val input = Seq("name-12345","inval1d-12345","invalid-12here123","hello-54321","inval1d-1aa2")

case class Client(name:Option[String],clientID:Option[Int])

def parseClient(input:String):Option[Client] = {
  val clientRegex = """([a-zA-Z]+)-([0-9]+)""".r
  Option(input).flatMap(in => {
    in match {
      case clientRegex(name,clientID) => Some(Client(Some(name),Some(clientID.toInt)))
      case _ => None
    }
  })
}

input.map(parseClient)

然而，这个问题是，如果我无法验证结构化数据的单个部分，那么我不会解析它。

我如何使用正则表达式在分层庄园中进行定义，例如：

val nameRegex = """([a-zA-Z]+)""".r
val clientIDRegex = """([0-9]+)""".r

然后将这些组合在一个模式中匹配？

示例的输出：

Seq(
 Some(Client(Some("name"),Some(12345)))
 ,None
 ,None
 ,Some(Client(Some("hello"),Some(54321)))
 ,None
)

所需的输出：

Seq(
 Some(Client(Some("name"),Some(12345)))
 ,Some(Client(None,Some(12345)))
 ,Some(Client(Some("invalid"),None))
 ,Some(Client(Some("hello"),Some(54321)))
 ,None
)

Answer 1

这应该给出预期的结果：

val input = Seq("name-12345", "inval1d-12345", "invalid-12here123", "hello-54321")

case class Client(name: Option[String], clientID: Option[Int])

def parseClient(input: String): Option[Client] = {
  val clientRegex = """(?:([a-zA-Z^-]+)|[^-]*)-(?:([0-9]+)|.*)""".r
  input match {
    case clientRegex(null, null) => None
    case clientRegex(name, id) => Some(Client(Option(name), Option(id).map(_.toInt)))
    case _ =>
      None
  }
}

input.map(parseClient)

我删除了 flatMap 构造，因为这是不必要的。 这里有趣的部分是正则表达式：

"""(?:([a-zA-Z^-]+)|[^-]*)-(?:([0-9]+)|.*)"""

我对其进行了更改，因此它需要正确的值，因此将其捕获到组中（([a-zA-Z^-]+) 用于名称，([0-9]+) 用于 id）但还添加了其他情况（没有有效的名称或 id）。一切都在非捕获组 (?:) 中，因此分组正确。

如果捕获组中的某些内容与预期不符，则该组将为空，这在匹配案例中进行处理。

编辑 对代码进行了更正，使其适用于完全无效的输入，并删除了不必要的 if 语句

编辑 2 根据 OP 的注释调整代码，利用 Option(null) => None 评估

Answer 2

您可能正在寻找可以链接的应用程序之类的东西。 你可以使用来自猫的Validated 类型来做这样的事情：

val houseNumber = parseClient("house_number").andThen{ n =>
   if (isValid(n)) Validated.valid(n)
   else Validated.invalid(ParseError("house_number"))
}

和 我会选择使用atto： 它具有ParseResult 类型，保留解析字符串的所有信息。