正则表达式将字符串分解为字典中的单词答案

【问题标题】：regex break string into words in dictionary正则表达式将字符串分解为字典中的单词
【发布时间】：2016-11-14 21:06:08
【问题描述】：

我想创建一个正则表达式，以便将字符串分解为字典中的单词。如果字符串匹配，我可以迭代每个组并进行一些更改。有些词是其他词的前缀。但是，像 /(HH|HH12)+/ 这样的正则表达式不会匹配字符串 HH12HH link。正则表达式有什么问题？它应该匹配字符串中的第一个HH12，然后是HH？

【问题讨论】：

/(HH(?:12)?)+/怎么样
@EliSadoff 我必须保留HH 和HH12，因为在迭代组时我需要知道它是HH 或HH12。另外，这只是一个例子。想象您只有一本字典，而 HH 和 HH12 在字典中。字典中的单词也在变化。
切换交替，它首先匹配HH，然后就没有其他匹配了。或者在模式末尾添加$。
@SebastianProske 谢谢。但即使我添加了$，仍然有一组而不是2。link
让我准确地说：您想确保字符串仅由HH12 或HH 组成，如果是，则标记为HH 或HH12？还是只想得到连续的HH/HH12？

标签： java regex

【解决方案1】：

您想匹配 Java 中应仅包含 HH12 或 HH 子字符串的整个字符串。分两步完成要容易得多：1）检查字符串是否满足要求（此处为matches("(?:HH12|HH)+")），2）提取所有标记（此处为HH12|HH 或HH(?:12)?，因为第一个替代方案一个未锚定的交替组“获胜”，其余的不被考虑）。

String str = "HH12HH";
Pattern p = Pattern.compile("HH12|HH");
List<String> res = new ArrayList<>();
if (str.matches("(?:HH12|HH)+")) { // If the whole string consists of the defined values
    Matcher m = p.matcher(str);
    while (m.find()) {
        res.add(m.group());
    }
}
System.out.println(res); // => [HH12, HH]

见Java demo

另一种方法是正则表达式，它将检查字符串是否满足要求，并在开头进行前瞻，然后将连续标记与 \G 运算符匹配：

String str = "HH12HH";
Pattern p = Pattern.compile("(\\G(?!^)|^(?=(?:HH12|HH)+$))(?:HH12|HH)");
List<String> res = new ArrayList<>();
Matcher m = p.matcher(str);
while (m.find()) {
    res.add(m.group());
}
System.out.println(res);

见another Java demo

详情：

(\\G(?!^)|^(?=(?:HH12|HH)+$)) - 上一个成功匹配的结束 (\\G(?!^)) 或 (|) 字符串的开头 (^)，后跟 1+ 个 HH12 或 HH ((?:HH12|HH)+) 序列直到字符串结尾 ($)
(?:HH12|HH) - HH12 或 HH。

【讨论】：

太棒了！你觉得这个stackoverflow.com/a/16817458/1646996怎么样？它也使用\\G，但看起来并不复杂。
这取决于你需要什么，你没有精确。我在回答中解释了：如果您需要确保字符串 only 包含符合您的模式的标记，则必须首先限定字符串以进行标记化。这就是为什么我提出了一个更复杂的模式，它带有前瞻并将\G 拆分为^(?=...) 和\G(?!^)。 \G(?:HH12|HH) 只会匹配字符串开头的多个token，如果字符串后面还有其他文本，匹配的仍然会被收集。

【解决方案2】：

在字符串HH12HH 中，正则表达式(HH|HH12)+ 将以这种方式工作：

HH12HH
^ - both option work, continue
HH12HH
 ^ - First condition is entierly satisfied, mark it as match
HH12HH
  ^ - No Match
HH12HH
   ^ - No Match

当您设置A 标志时，将锚点添加到字符串的开头，其余部分不会引发匹配。如果删除它，该模式将在开头和结尾都匹配 HH。

在这种情况下，您有三个选择：

将最长的模式放在首位/(HH12|HH)/Ag。 See demo^{我比较喜欢的那个。}
相互共享部分并使用可选组/(HH(?:12)?)/Ag。 See second demo
在末尾加上$，就像/(HH|HH12)$/Ag

【讨论】：

那么如何匹配整个字符串呢？
谢谢！但只有一场小组赛。如果我想要所有组怎么办。例如，第一组应该匹配 HH12 第二组 HH
@qqibrow 是什么语言？另请参阅Repeating a Capturing Group vs. Capturing a Repeated Group
java.有办法吗？
@qqibrow 一个简单的解决方案是使用全局捕获组：((?:HH12|HH)+)

【解决方案3】：

您遇到的问题完全与正则表达式引擎决定匹配什么的方式有关。

正如我所解释的here，有一些正则表达式风格可以选择最长的交替......但你没有使用一个。 Java 的正则表达式引擎是另一种类型：使用第一个匹配替换。

您的正则表达式的工作方式与以下代码非常相似：

if(bool1){
    // This is where `HH` matches
} else if (bool1 && bool2){
    // This is where `HH12` would match, but this code will never execute
}

解决此问题的最佳方法是将单词倒序排列，以便 HH12 出现在 HH 之前。

那么，你可以只匹配一个改动：

HH12|HH

什么匹配应该很明显，因为你可以得到每个匹配的结果。

（您也可以将每个单词放在自己的捕获组中，但这有点难处理。）

【讨论】：