在 Java 中拆分正则表达式并捕获匹配的分隔符表达式？

Question

我正在尝试解析一个文本文件，其中包含一系列以数字开头的“记录”（后跟 NBSP 和 1-2 个空格），包含数百个字母和数字字符，跨越换行符，但是不要以任何可预测的事情结束。识别记录结束的唯一方法是点击起始标记的下一个实例，可以通过以下正则表达式匹配：

\\d{1,4}\\u00A0\\s+ 

内容是手动输入的，有不可预知的换行符，所以我把它们删掉了。这给我留下了一个字符串。

1  blah blah blah  2  blah blah blah ... 875  blah blah blah 

由于我知道记录已结束的唯一方法是点击下一个记录 ID，因此我尝试仅拆分上面的正则表达式。这会将文件正确拆分为记录，但它省略了我需要捕获的记录 ID。我检查了 Java 文档，但没有任何关于捕获被分割的动态值的内容。我尝试将记录号设为捕获组，但该数据未保留在结果数组中。

这个问题（Java String Regex split and capture splitted portion）看起来很相似，但是提问者知道每个文本片段的结束位置；而我只知道每个开始的地方。

那么是否有另一种拆分方式，但通过拆分正则表达式保留文本匹配？

谢谢

Answer 1

不要使用split()，而是编写自己的正则表达式循环，例如

String input = "...your input...";
Matcher m = Pattern.compile("\\d{1,4}\\u00A0\\s+").matcher(input);
int prev = 0;
while (m.find()) {
    String prevText = input.substring(prev, m.start());
    prev = m.end();
    String delimiter = m.group();
    // ... code here ...
}
String tailText = input.substring(prev); // text after last delimiter
// ... code here ...

Answer 2

如果您只想检查您的文本之后是否存在其他文本，但不包括匹配中的其他文本（例如检查 foo 之后是否为 bar 但不包括 bar 匹配），那么您就是寻找look-around mechanism，或者更准确地说，积极向前看(?=...)。

让我们从split("(?=\\d{1,4}\\u00A0\\s+)") 开始。这将在后面有 NBSP 和一些空格的任何 1-4 位数字系列之前拆分。问题在于对于像

这样的文本

1234[nbsp]___ 

这描述了地点（标有|）

|1234[nbsp]___ 
1|234[nbsp]___ 
12|34[nbsp]___ 
123|4[nbsp]___ 

但我们不希望允许在数字之间进行拆分。我们必须添加条件来防止这种分裂。因此，如果我们可以说“在分割位置之前不能有数字”，那就太好了。为此，我们可以在(?<!...) 后面使用否定外观，在我们的例子中看起来像(?<!\\d)。

所以最终解决方案看起来像：

split("(?<!\\d)(?=\\d{1,4}\\u00A0\\s+)")