Java的正则表达式模式分类？答案

【问题标题】：Regex pattern classification for Java?Java的正则表达式模式分类？
【发布时间】：2011-05-20 06:26:38
【问题描述】：

比如我要分类c*t => CLASS1，而d*g => CLASS2：

Pattern CXT = Pattern.compile("^c.*t$");
Pattern DXG = Pattern.compile("^d.*g$");

public int classify(String in) {
    if (CXT.matches(in)) return CLASS1;
    if (DXG.matches(in)) return CLASS2;
    return -1;
}

如果有很多模式模式，效率非常低。

假设所有模式都是正交的，很容易看到一个 DFA 中的单次通过就足够了。那么，是否存在可以将所有模式组合在一起的正则表达式处理器？

【问题讨论】：

这和Java有什么关系？
如何不丢失信息？（即 C 和 D 是不同的回报）
模式的第一个字母和你返回的字母有关系吗？
好吧，我想知道一个开源Java库，它将多个模式编译成一个，并告诉输入字符串被哪个模式接受。
@Seth：我已经更新了问题，谢谢。

标签： java regex recommendation-engine

【解决方案1】：

你应该看看dk.brics.automaton 包，它不是你要找的，但它是一个非常快速的状态机实现与BSD许可证 .

因此，您可以构建自动机，它比正则表达式更快地为您进行分类。

【讨论】：

我已经检查了api，是的。
有一个BasicOperations.union() 可以帮助您组合以前构建的自动机。

【解决方案2】：

/^((c.*t)|(d.*g))$/

然后您查看找到了哪个匹配项。如果您看到 $2，则返回 CLASS1。如果看到 $3，则返回 CLASS2 等。

【讨论】：

【解决方案3】：

你可以做例如（未测试）：

Pattern pat = Pattern.compile("^((c.*t)|(d.*g))$");


public int classify(String in) {
    Matcher m = pat.matcher(in);
    if (m.matches()) {
        if ( m.group(2) != null ) {
             return C;
        }
        else if ( m.group(3) != null ) {
         return D;
        }
    }
    return -1;
}

但我不确定这会比您当前的代码更有效。无论哪种方式，您都必须比较所有可能模式的输入，无论是显式执行还是将其构建到正则表达式中

【讨论】：

您需要在选项周围加上括号，因为 ^ 适用于 cxt 而 $ 适用于 dxg。
在Pattern 实现中，'|' 似乎被编译为Pattern.Branch，但是，它只是遍历所有分支，而不是在 DFA 图中合并或合并它们。
我不相信这个问题有一个 DFA 图，它与 N 个单独的子 DFA 根本不同，其中 DFA 可以区分 cat 和 dot，并且每种语言都有不同的停止状态匹配。除了开始状态和 ^ 匹配之外，没有其他共同的状态。