java - 有效地将不同的可能子串匹配到相同的值

Question

我有一个 CSV 文件，其中一列称为操作系统，包含一个字符串，其值如下所示:

win-abc123
def456-windows
123123-WIN-ghi789
rhel-jkl012
45u8234dgf-redhat-mno345
pqr678-RHEL

换句话说，列值在字符串内部某处(前面、中间或结尾)包含一个子字符串，指示操作系统。值可以是 win、windows、WIN、rhel、redhat 之一,RHEL.

我想检查列值，并通过用 WIN 或 RHEL 替换整个列来清理它。

我有一个笨拙的解决方案。遍历 CSV 中的每一行，并遍历操作系统映射中的每个 key, value 对。如果匹配，则替换 CSV 值。

os_map = {'win':'WIN', 'windows': 'WIN', 'WIN':'WIN', 'rhel': 'RHEL', 'redhat': 'RHEL', 'RHEL': 'RHEL'}
for row in rows:
    os = row[OPERATING_SYSTEM]
    for key, value in os_map.iteritems():
        if key in os:
            row[OPERATING_SYSTEM] = value
            break

或者，在 java 中:

Map<String, String> osMap = new HashMap<String, String>();
osMap.put("win", "WIN");
osMap.put("windows", "WIN");
osMap.put("WIN", "WIN");
// Repeat for RHEL values

String os;
for (String[] row : rows) {
    os = row[OPERATING_SYSTEM];

    for (Map.Entry<String, String> entry: osMap.entrySet()) {
        if (os.contains(entry.getKey())) {
            row[OPERATING_SYSTEM] = entry.getValue();
            break;
        }
    }
}

我不喜欢这样，因为我在找到匹配项之前遍历整个 map (在最坏的情况下)。解决这个问题的更有效方法是什么？

如果 CSV 列只是 win 或 windows，没有字母数字字符，我可以改为这样做:

os_map = {'win,windows,WIN': 'WIN', 'rhel,redhat,RHEL': 'RHEL'}
for key, value in os_map:
    if key.contains(row[OPERATING_SYSTEM]):
        row[OPERATING_SYSTEM] = value
        break

但事实并非如此。

Answer 1

在 Python 中，您可以按照以下方式做一些事情:

test='''\
win-abc123
def456-windows
123123-WIN-ghi789
rhel-jkl012
45u8234dgf-redhat-mno345
pqr678-RHEL'''

from itertools import chain

os_map = {frozenset(['win', 'windows', 'WIN']):'WIN', frozenset(['rhel', 'redhat', 'RHEL',]): 'RHEL'}

all_os=set(chain(*os_map.keys()))

for line in test.splitlines():
    tgt=filter(lambda e: e in all_os,  line.split('-'))
    if tgt:
        print os_map[filter(lambda k: tgt[0] in k, os_map.keys())[0]]

你也可以做一个正则表达式的字典:

import re    
os_reg={re.compile(r'\b(win|windows|WIN)\b'):'WIN', re.compile(r'\b(rhel|redhat|RHEL)\b'): 'RHEL'}        
for line in test.splitlines():
    for pat, v in os_reg.items():
        if pat.search(line):
            print line, v   
            break    

或者结合 set 和 regex 来做这样的事情:

os_map = {frozenset(['win', 'windows', 'WIN']):'WIN', frozenset(['rhel', 'redhat', 'RHEL',]): 'RHEL'}

for k, v in os_map.items():
    test=re.sub(r'\b({})\b'.format('|'.join(k)), v, test)

for line in test.splitlines():
    m=re.search(r'\b({})\b'.format('|'.join(os_map.values())), line)
    if m:
        print line, m.group(0)