在Java中按字典进行正则表达式搜索答案

【问题标题】：Regex search by dictionary in Java在Java中按字典进行正则表达式搜索
【发布时间】：2017-03-28 09:39:05
【问题描述】：

我有一本大字典（大约 1000 万个单词和表达方式）。我想建立一个非常快速的系统，允许使用 * 和？面具。例如：

*est*:

对于est

估计估计

nest

k??g*：

k在g

kaggle

kingdom

我知道如果我手动编程，使用 trie 数据结构可以很容易地解决它。 Java 中的此类任务是否已准备好（或几乎准备好）？

【问题讨论】：

如果在数据库中，您可以将这些查询转换为 like '%est%' 和 like 'k??g%' 。如果您在数据库中没有该数据，您可以查看内存数据库。或者，您可以查看基于 lucene 构建的各种搜索引擎（或直接使用 lucene）。
您可能想看看 Apache Lucene 及其模糊搜索功能。
没有使用 trie 数据结构，但是 Apache Lucene 是一个非常强大的索引和搜索框架
那么，您是在要求我们提供现成的代码吗？这与堆栈溢出无关。我们在这里回答有关编程问题的问题，而不是有关现有工具和库的问题。请参阅help center。
@DenisKulagin 我不这么认为。您要实现的目标并不是一项微不足道的任务。由于您正在寻找一些可用于生产的库，因此 Lucene 可能是您的最佳选择。

【解决方案1】：

一种方法是创建一个包含这 1000 万个单词和短语的字符串。构建字符串，以便每行有一个条目。也就是说，如果 "foo"、"bar" 和 "bas" 都是单词，则字符串将是：

"foo\nbar\nbas\n"

然后您可以使用标准正则表达式库来查找所有匹配项。只需确保您的正则表达式已锚定，使其不会超出换行符。所以如果你寻找正则表达式"ba*"，它会找到“bar”和“bas”，而不是找到“bar\nbas\n”。

我认为 Java 正则表达式的默认设置是在换行处停止，因此您可能不需要做任何特别的事情。否则，有一些正则表达式选项可让您指定如何处理字符串中嵌入的换行符。

需要指出的一点：当正则表达式引擎报告它找到匹配项时，它会报告起始位置。您需要备份到单词的开头（上一个\n），然后复制到结尾（下一个\n）。

显然，您希望在启动时或字典更改时只构建一次这个巨大的字典字符串。无论如何，您真的不想为每次搜索都构建它。

这不是最快的解决方案，但对于您的目的来说它很可能足够快。它很容易实现并且很容易证明是正确的。这将是一个很好的开始方式。

【讨论】：