如何替换文本中的字符串列表，其中一些是其他字符串的子字符串？

Question

我有一个包含一些我想标记的单词的文本，并且要标记的单词包含在一个列表中。问题是其中一些单词是其他单词的子字符串，但我想标记列表中最长的识别字符串。

例如，如果我的文本是“foo and bar is different from foo bar”。我的列表包含“foo”、“bar”和“foo bar”，结果应该是“[tag]foo[/tag] 和 [tag]bar[/tag] 不同于 [tag]foo bar[/tag] 。”

String text = "foo and bar are different from foo bar.";

List<String> words = new ArrayList();
words.add("foo");
words.add("bar");
words.add("foo bar");

String tagged = someFunction(text, words);

someFunction 的代码应该是什么，使得字符串 taggedText 的值为 <tag>foo</tag> and <tag>bar</tag> are different from <tag>foo bar</tag>. ？

Answer 1

用标记替换所有匹配的单词（在我的示例中，我使用 |i| 作为标记，其中 i 对应于标记单词的索引。）试试这个方法：

private static String someFunction(String text, List<String> words) {
        //Container for the tagged strings
        List<String> tagged = new ArrayList<>();

        //Create comparator class for sorting list according to string length
        Comparator<String> x = new Comparator<String>() {
            @Override
            public int compare(String s1, String s2)
            {
                if(s1.length() > s2.length())
                    return -1;

                if(s2.length() > s1.length())
                    return 1;

                return 0;
            }
        };

        //Sort list
        Collections.sort(words, x);

        //Replace all words in the text that matches a word in the word list
        //Note that we replace the matching word with a marker |0|, |1|, etc...
        for (int i = 0; i < words.size(); i++) {
            text = text.replaceAll(words.get(i), "\\|" + i + "\\|");
            //Save the matching word and put it between tags
            tagged.add("<tag>" + words.get(i) + "</tag>");
        }

        //Replace all markers with the tagged words
        for (int i = 0; i < tagged.size(); i++) {
            text = text.replaceAll("\\|" + i + "\\|", tagged.get(i));
        }


        return text;
    } 

警告：我在这里假设我的标记 '|i|'永远不会出现在文本中。将我的标记替换为您想要的不会出现在文本中的任何符号。这只是一个想法，不是完美的答案。

Answer 2

使用String的split方法。并将每个单词与 List 进行比较。

String somefunction(String text, List<String> words){
  String res = "";
  String[] splits = text.split(" ");
  for(String st: splits){
    if(words.contains(st){
       res += "<tag>"+st+"<\tag>\n";
    }
  }
  return res;
}

Answer 3

您需要使用包含每个可能单词的正则表达式，以及一个或多个单词的贪婪匹配。然后您可以使用正则表达式中的匹配结果来获取每个匹配项，并且因为它是贪婪的，所以每个匹配项将是最大长度。正则表达式本身将取决于您的单词和您对空格的计数，以及 foobar 是否被视为“foo”和“bar”的匹配项。

Answer 4

这闻起来像家庭作业，但我会给你一些建议。

如果B是A的子串，如果B不等于A，那么B的长度一定小于A的长度。你自己也说了：

[...] 但我想标记列表中最长的识别字符串。

所以我们必须按长度对单词列表进行排序，最长的在前。我会留给你弄清楚如何做到这一点。 Collections.sort(List<T>, Comparator<? super T>) 是您将使用的。

下一个问题是实际替换。如果您简单地遍历所有单词并使用String.replaceAll(String, String)，您的示例最终将是这样的：

<tag>foo</tag> and <tag>bar</tag> are different from <tag><tag>foo</tag> <tag>bar</tag></tag>.

这是因为我们将首先包围 'foo bar'，然后我们将再次包围 foo 和 bar。谢天谢地，String.replaceAll(String, String) 的第一个参数是正则表达式。

诀窍是匹配这个词，但前提是它还没有被包围。但不仅仅是包围、引导或跟踪，因为它可能是已标记的<tag>foo bar</tag> 中的foo。只有当word 还没有前导>、尾随< 并且不在另一个词的中间时，这样的"(?<!(\\w|>))+" + word + "(?!(\\w|<))+" 才会匹配。 （我承认，我不擅长正则表达式，所以我相信这会更好）