扫描文件并收集匹配模式的完整单词

Question

我正在做一个项目，我需要扫描一个文件夹并扫描每个文件中的特定单词（比如“@MyPattern”）。

我期待有一种最佳方法来设计这样的场景。 首先，我的工作如下：

    //Read File
    List<String> lines = new ArrayList<>();
    try (Stream<String> stream = Files.lines(Paths.get(fileName))) {
        stream.forEach(line-> lines.add(line));
    } catch (IOException e) {
        e.printStackTrace();
    }

    //Create a pattern to find for
    Predicate<String> patternFilter = Pattern
            .compile("@MyPattern^(.+)")
            .asPredicate();

    //Apply predicate filter
    List<String> desiredWordsMatchingPattern = lines
            .stream()
            .filter(patternFilter)
            .collect(Collectors.<String>toList());

    //Perform desired operation
    desiredWordsMatchingPattern.forEach(System.out::println);

我不确定为什么这不起作用，即使文件中有多个匹配“@MyPattern”的单词。

Answer 1

这是我的解决方案：

    // can extract annotation and text-inside-parentheses
    private static final String REGEX = "@(\\w+)\\((.+)\\)";


    //Read File
    List<String> lines = Files.readAllLines(Paths.get(filename));

    //Create a pattern to find for
    Pattern pattern = Pattern.compile(REGEX);

    // extractor function uses pattern's second group (text-within-parentheses)
    Function<String, String> extractOnlyTextWithinParentheses = s -> {
        Matcher m = pattern.matcher(s);
        m.find();
        return m.group(2);
    };

    // all lines are filtered and text will be extracted using extractor-fn
    Stream<String> streamOfExtracted = lines.stream()
            .filter(pattern.asPredicate())
            .map(extractOnlyTextWithinParentheses);

    //Perform desired operation
    streamOfExtracted.forEach(System.out::println);

解释：

让我们首先澄清一下使用的正则表达式模式@(\\w+)\\((.+)\\)应该做什么：

假设：您过滤文本以获得类似 Java 的注释，例如 @MyPattern

使用正则表达式匹配特定行

• @\\w+ 匹配一个 at 符号后跟一个单词（\\w 是特殊含义，代表单词，即字母和下划线）。因此它将匹配任何注释（例如@Trace、@User 等）。
• \\(.+\\) 匹配一些括号内的文本（例如("10869")，其中括号也必须转义\\( 和\\) 和.+ 用于内部的任何非空文本

注意：非转义括号在任何正则表达式中都有特殊含义，即分组和捕获

有关匹配括号并提取其内容，请参阅Pattern to extract text between parenthesis 上的此答案。

使用正则表达式中的捕获组提取文本

只需使用括号（未转义）来组成一个组并记住他们的订单号。 (grouped)(Regex) 将匹配文本groupedRegex 并可以提取两个组：

• #1 组：grouped
• 组#2：Regex 要获取这些组，请使用 matcher.find()，然后使用 matcher.group() 或其重载方法。

测试正则表达式和提取的选项

在 IntelliJ 中，您可以在 IntelliJ 中使用 Check RegExp 操作：ALT+Enter 对选定的正则表达式进行测试和调整。 类似的有很多网站可以测试正则表达式。例如http://www.regExPlanet.com 也支持 Java-RegEx-Syntax，您可以在线验证提取的组。见example on RegexPlanet。

注意：除了 开始 之外，插入符号还有一个特殊含义，例如 Ole answered above：这个 [^)]+ 表示匹配任何内容（至少 1 个字符）除了右括号

使用提取器功能使其可扩展

如果您将用作上述.map(..) 参数的extract-Function 替换为以下内容，您还可以同时打印注释名称和括号内的文本（制表符分隔）：

Function<String, String> extractAnnotationAndTextWithinParentheses = s -> {
        Matcher m = pattern.matcher(s);
        m.find();
        StringBuilder sb = new StringBuilder();
        int lastGroup = m.groupCount();
        for (int i = 1; i <= lastGroup; i++) {
            sb.append(m.group(i));
            if (i < lastGroup) sb.append("\t");
        }
        return sb.toString();
};

总结：

您的流媒体有效。 您的正则表达式出错：

• 它几乎匹配了一个常量注解，即@MyPattern
• 您尝试使用括号捕获正确性
• 您的正则表达式中有一个语法错误或错字，插入符号^
• 不使用转义括号 \\( 和 \\)，您不仅会得到 text-inside，还会得到括号作为摘录

Answer 2

您使用^(.+) 的方式在正则表达式中没有意义。 ^ 匹配字符串的开头（行），但字符串的开头不能出现在模式之后（仅当模式匹配空字符串时，它不在这里）。所以你的模式永远不会匹配任何行。

只需使用：

        Predicate<String> patternFilter = Pattern
                .compile("@MyPattern")
                .asPredicate();

如果您要求模式后面没有字符（甚至空格也不能），$ 匹配字符串的结尾：

        Predicate<String> patternFilter = Pattern
                .compile("@MyPattern$")
                .asPredicate();