java - 优化段落中查找单词

Question

我正在寻找段落中的单词，但对于长段落来说需要很长时间。因此，我想在段落中找到单词后将其删除，以缩短我必须浏览的单词数。或者如果有更好的方法来提高效率，请告诉我们!

List<String> list = new ArrayList<>();
for (String word : wordList) {
    String regex = ".*\\b" + Pattern.quote(word) + "\\b.*"; 
    Pattern p = Pattern.compile(regex);
    Matcher m = p.matcher(paragraph);
    if (m.find()) {
        System.out.println("Found: " + word);
        list.add(word);
    }
}

例如，假设我的 wordList 具有以下值 "apple","hungry","pie"

我的段落是“我吃了一个苹果，但我还是饿，所以我会吃馅饼”

我想在paragraph中找到wordList中的单词并消除它们，希望使上面的代码更快

Answer 1

您可以使用

String paragraph = "I ate an apple, but I am still hungry, so I will eat pie";
List<String> wordList = Arrays.asList("apple","hungry","pie");
Pattern p = Pattern.compile("\\b(?:" + String.join("|", wordList) + ")\\b");
Matcher m = p.matcher(paragraph);
if (m.find()) {  // To find all matches, replace "if" with "while"
    System.out.println("Found " + m.group()); // => Found apple
}

请参阅Java demo .

正则表达式将类似于 \b(?:word1|word2|wordN)\b并将匹配:

• \b - 单词边界
• (?:word1|word2|wordN) - 非捕获组内的任何替代方案
• \b - 单词边界

既然你说单词中的字符只能是大写字母、数字和带斜杠的连字符，所以都不需要转义，所以Pattern.quote这里并不重要。此外，由于斜杠和连字符永远不会出现在字符串的开头/结尾，因此您不会遇到通常由 \b 引起的问题。词边界。否则，替换第一个 "\\b"与 "(?<!\\w)"最后一个是 "(?!\\w)" .