java - 大数据的高效正则表达式，如果一个字符串包含一个词

Question

我有一个代码可以工作，但速度非常慢。此代码确定字符串是否包含关键字。我的要求需要对我将在数千个文档中搜索的数百个关键字有效。

我该怎么做才能高效地查找关键字(不会错误地返回包含该关键字的单词)？

例如:

String keyword="ac"; 
String document"..."  //few page long file

如果我使用:

if(document.contains(keyword) ){
//do something
}

如果文档中包含“帐户”之类的词，它也会返回 true；

所以我尝试使用正则表达式如下:

String pattern = "(.*)([^A-Za-z]"+ keyword +"[^A-Za-z])(.*)";
Pattern r = Pattern.compile(pattern);
Matcher m = r.matcher(document);
if(m.find()){
   //do something
}

总结:

这是总结:希望它对其他人有用:

1. 我的正则表达式可以工作，但非常不切实际处理大数据。 (它没有终止)
2. @anubhava 完善了正则表达式。很容易理解和执行。它设法终止了，这是一个很大的事物。但还是有点慢。 (大约 240 秒)
3. @Tomalak 解决方案实现和理解起来有点复杂，但它是最快的解决方案。所以向队友致敬。(18 秒)

所以@Tomalak 解决方案比@anubhava 快 15 倍。

Answer 1

不要认为您的正则表达式中需要有 .*。

试试这个正则表达式:

String pattern = "\\b"+ Pattern.quote(keyword) + "\\b";

这里的\\b是用来分词的。如果关键字可以包含特殊字符，请确保它们不在单词的开头或结尾，否则单词边界将无法匹配。

如果您的关键字包含特殊的正则表达式字符，您还必须使用 Pattern.quote。

编辑:如果您的关键字由空格分隔，您可以使用此正则表达式。

String pattern = "(?<=\\s|^)"+ Pattern.quote(keyword) + "(?=\\s|$)";