Java:匹配字符串中的短语

Question

我在数据库中有一个短语列表(短语可能由一个或多个单词组成)和一个输入字符串。我需要找出哪些短语出现在输入字符串中。

有没有一种有效的方法可以在 Java 中执行此类匹配？

Answer 1

一个快速的 hack 是:

1. 根据组合的短语构建正则表达式
2. 构建一个集合，列出目前尚未匹配的短语
3. 重复运行 find 直到找到所有短语或到达输入结尾，从剩余短语集中删除匹配项以查找

这样一来，无论您提供多少短语，输入都只会被遍历一次。如果正则表达式编译器为多个备选方案生成一个高效的匹配器，这应该会产生不错的性能。然而，这在很大程度上取决于您的短语和输入字符串，以及 Java 正则表达式引擎的质量。

示例代码(已测试，但未针对性能进行优化或分析):

public static boolean hasAllPhrasesInInput(List<String> phrases, String input) {
    Set<String> phrasesToFind = new HashSet<String>();
    StringBuilder sb = new StringBuilder();
    for (String phrase : phrases) {
        if (sb.length() > 0) {
            sb.append('|');
        }
        sb.append(Pattern.quote(phrase));
        phrasesToFind.add(phrase.toLowerCase());
    }
    Pattern pattern = Pattern.compile(sb.toString(), Pattern.CASE_INSENSITIVE);
    Matcher matcher = pattern.matcher(input);
    while (matcher.find()) {
        phrasesToFind.remove(matcher.group().toLowerCase());
        if (phrasesToFind.isEmpty()) {
            return true;
        }
    }
    return false;
}

一些注意事项:

• 上面的代码会将短语作为单词的子串进行匹配。如果只有完整的单词应该匹配，您将需要在生成的正则表达式中添加单词边界 ("\b")。
• 如果某些短语可能是其他短语的子串，则必须修改代码。
• 如果您需要匹配非 ASCII 文本，您应该添加正则表达式选项 Pattern.UNICODE_CASE 并调用 toLowerCase(Locale) 而不是 toLowerCase() ，使用合适的 Locale。