使用正则表达式在字符串中搜索子字符串

Question

我正在尝试在字符串中搜索包含在ArrayList(terms_1pers) 中的一组单词，并且由于前提条件是搜索单词之前和之后不应该有字母，所以我想到了使用表达式正则.

我只是不知道我在使用匹配运算符时做错了什么。在报告的代码中，如果未验证匹配，则写入外部文件。

String url = csvRecord.get("url");
String text = csvRecord.get("review");
String var = null;
for(String term : terms_1pers)
{
   if(!text.matches("[^a-z]"+term+"[^a-z]"))
   {
      var="true";
   }
}
if(!var.equals("true"))
{
    bw.write(url+";"+text+"\n");
}

Answer 1

为了找到正则表达式匹配，您应该使用正则表达式类。模式和匹配器。

String term = "term";
ArrayList<String> a  = new ArrayList<String>();
a.add("123term456"); //true
a.add("A123Term5"); //false
a.add("term456"); //true
a.add("123term"); //true
Pattern p = Pattern.compile("^[^A-Za-z]*(" + term + ")[^A-Za-z]*$");
for(String text : a) {
    Matcher m = p.matcher(text);
    if (m.find()) {
         System.out.println("Found: " + m.group(1) );
         //since the term you are adding is the second matchable portion, you're looking for group(1)
    }
    else System.out.println("No match for: " + term);
}

}

在此处的示例中，我们创建了一个 https://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html 的实例，以在您匹配的文本中查找匹配项。

请注意，我稍微调整了正则表达式。此代码中的选择从初始匹配部分中排除所有字母 A-Z 和小写版本。它还将允许在匹配项之前或之后根本没有字符的情况。如果您需要那里有东西，请使用+ 而不是*。我还限制了正则表达式，通过使用^ 和$ 来验证匹配文本的结尾，强制匹配只包含这三个组的匹配项。如果这不适合您的用例，您可能需要进行调整。

要演示如何将其与各种不同的术语一起使用：

ArrayList<String> terms = new ArrayList<String>();
terms.add("term");
terms.add("the book is on the table");
terms.add("1981 was the best year ever!");
ArrayList<String> a  = new ArrayList<String>();
a.add("123term456");
a.add("A123Term5");
a.add("the book is on the table456");
a.add("1@#!231981 was the best year ever!9#");
for (String term: terms) {

    Pattern p = Pattern.compile("^[^A-Za-z]*(" + term + ")[^A-Za-z]*$");

    for(String text : a) {

        Matcher m = p.matcher(text);
        if (m.find()) {
             System.out.println("Found: " + m.group(1)  + " in " + text);
             //since the term you are adding is the second matchable portion, you're looking for group(1)
        }
        else System.out.println("No match for: " + term + " in " + text);
    }
}

输出是： 找到：123term456 中的术语 不匹配：A123Term5 中的术语 不匹配：书中的术语在桌子上456....

为了回答有关字符串术语不区分大小写的问题，这里有一种方法，我们可以利用java.lang.Character 来构建字符串的大小写字母选项。

String term = "This iS the teRm.";
String matchText = "123This is the term.";
StringBuilder str = new StringBuilder();
str.append("^[^A-Za-z]*(");
for (int i = 0; i < term.length(); i++) {
  char c = term.charAt(i);
  if (Character.isLetter(c))
    str.append("(" + Character.toLowerCase(c) + "|" + Character.toUpperCase(c) + ")");
  else str.append(c);
}
str.append(")[^A-Za-z]*$");

System.out.println(str.toString());


Pattern p = Pattern.compile(str.toString());
Matcher m = p.matcher(matchText);
if (m.find()) System.out.println("Found!");
else System.out.println("Not Found!");

此代码输出两行，第一行是正在模式中编译的正则表达式字符串。 "^[^A-Za-z]*((t|T)(h|H)(i|I)(s|S) (i|I)(s|S) (t|T)(h|H)(e|E) (t|T)(e|E)(r|R)(m|M).)[^A-Za-z]*$" 这个调整后的正则表达式允许匹配术语中的字母而不管大小写。第二个输出行是“找到！”因为在 matchText 中找到了混合大小写术语。

Answer 2

有几点需要注意：

• matches 需要完整的字符串匹配，所以[^a-z]term[^a-z] 只会匹配像:term. 这样的字符串。您需要使用.find() 来查找部分匹配项
• 如果将文字字符串传递给正则表达式，则需要 Pattern.quote 它，否则如果它包含特殊字符，则不会匹配
• 要检查单词在开头/结尾的 或 之前或之后是否有某种模式，您应该使用带有锚点的交替（如(?:^|[^a-z]) 或(?:$|[^a-z])）或环视，@987654328 @ 和 (?![a-z])。
• 要匹配任何字母，只需使用 \p{Alpha} 或 - 如果您打算匹配任何 Unicode 字母 - \p{L}。
• var 变量设置为布尔类型更符合逻辑。

固定代码：

String url = csvRecord.get("url");
String text = csvRecord.get("review");
Boolean var = false;
for(String term : terms_1pers)
{
   Matcher m = Pattern.compile("(?<!\\p{L})" + Pattern.quote(term) + "(?!\\p{L})").matcher(text);
   // If the search must be case insensitive use
   // Matcher m = Pattern.compile("(?i)(?<!\\p{L})" + Pattern.quote(term) + "(?!\\p{L})").matcher(text); 
   if(!m.find())
   {
       var = true;
   }
}
if (!var) {
   bw.write(url+";"+text+"\n");
}

Answer 3

您没有考虑开头和结尾可能包含字母的情况 所以在前端和末尾添加 .* 应该可以解决您的问题。

for(String term : terms_1pers)
{
   if( text.matches(".*[^a-zA-Z]+" + term + "[^a-zA-Z]+.*)" )  
   {
      var="true";
      break; //exit the loop
   }
}
if(!var.equals("true"))
{
    bw.write(url+";"+text+"\n");
}