多模式字符串拆分答案

【问题标题】：Multi pattern string split多模式字符串拆分
【发布时间】：2015-08-30 04:28:44
【问题描述】：

我有一个文本，由不同的正则表达式分隔符组成，然后是文本。在此示例中，我有 3 个正则表达式分隔符（PatternA、B、C），文本如下所示：

我正在寻找一种高效的 Java 解决方案来将信息提取为三元组列表：

{PatternA, StringMatchingA, Text1}
{PatternB, StringMatchingB, Text2}
{PatternA, StringMatchingA, Text3}
{PatternC, StringMatchingC, Text4}

有了这些信息，我知道对于每个三元组，匹配的模式是什么，以及匹配的字符串。

目前，我有这种方法，但我想我可以使用高级正则表达式做一些更有效的事情？

   String pattern = "?=(PatternA|PatternB|PatternC)";
   String()[] tokens = input.split(pattern);
   for(String token : tokens)
   {
      //if start of token matches patternA ...
      //elseif start of token matches pattern B...
      //etc...  
   }

备注：

模式是互斥的。
字符串始终以至少一种模式开头。

【问题讨论】：

如果原始效率是您最关心的问题，那么您可能会发现自定义解析器可以获得更好的性能（一次读取一个字符，直到遇到分隔符，然后返回一个标记）。否则我唯一能建议的就是如果你经常调用split(pattern)，就使用private static final Pattern，因为String.split(String)每次调用都会创建一个新的Pattern对象，这在循环中代价高昂。
如果您不知道字符串中每个标记的出现顺序，那么将它们全部交替放置是通常的解决方案((PatternA)|(PatternB)|(PatternC))。但是，尚不清楚这些模式是否互斥，或者是否存在两个可以匹配的字符串。也不清楚您是否希望在某个位置没有任何模式匹配时发生“碰撞”。
我刚刚编辑了帖子：模式是互斥的；我们可以假设字符串以给定模式之一开头。

标签： java regex

【解决方案1】：

您可以使用循环并在代码块内“吃掉”在文本开头找到的内容。通过这种方式，每次迭代解析都非常简单且可维护/可扩展。

简单的规则是：吃掉你找到的东西并处理它。

像这样的

String chunk;
while(text.size() >0 {

    chunk = eat(text,pattern1);
    if (chunk.lengh()>0}{
       ...
       continue;
    }
    chunk = eat(text,pattern2);
    if (chunk.lengh()>0}{
       ...
       continue;
    }
 }

出于性能原因，您必须在进入循环之前编译正则表达式模式。

（也可以考虑使用解析器生成器，例如ANTLR）。

【讨论】：