java - 复杂的文本解析 - 请帮忙弄清楚

Question

我的算法设计比较差，问题比较复杂，请看一下。我目前正在 Java/Groovy 领域工作。

我有一些如下所示的文本:

AAAAA  
AAAAA
CCCCC
any stuff here  
111  
any stuff here  
AAAAA  
stuff  
AAAAA  
stuff  
AAAAA  

BBBBB  
stuff  
222  
stuff  
BBBBB   

我的挑战是抓取所有格式为 AAAAA stuff 111 stuff AAAAA 的字符串，而不抓取任何周围的文本。您可以看到字符串中有多个 AAAAA，但我必须只抓取最接近 111 和 222 的字符串，然后对所有此类字符串执行此操作。

我的正则表达式(不起作用)如下所示:

/(\w{8}|\w{11}).*?(\w{3}).*?\1/  

我一直在使用它们中的一些，它们要么抓取太多文本，要么执行太慢...如果有人知道我应该使用什么来解决此类问题，请告诉我。

编辑:这些是我想要匹配的内容:

AAAAA
CCCCC
any stuff here  
111  
any stuff here  
AAAAA  

和

BBBBB  
stuff  
222  
stuff  
BBBBB  

我想说这很像解析不正确标记的 XML。不管怎样，感谢您的浏览。

Answer 1

使用正则表达式模式

(?s)\b(\w{5})\b(?:(?!\1).)*?\b\w{3}\b(?:(?!\1).)*?\1