java - 使用 Java Regex，如何检查字符串是否包含集合中的任何单词？

Question

我有一组单词——苹果、橙子、梨、香蕉、猕猴桃

我想检查一个句子是否包含上面列出的任何单词，如果包含，我想找到哪个单词匹配。我怎样才能在正则表达式中实现这一点？

我目前正在为我的每个单词集调用 String.indexOf() 。我假设这不如正则表达式匹配那么有效？

Answer 1

TL;DR For simple substrings contains() is best but for only matching whole words Regular Expression are probably better.

要了解哪种方法更有效，最好的方法就是对其进行测试。

您可以使用 String.contains() 而不是 String.indexOf() 来简化非正则表达式代码。

要搜索不同的单词，正则表达式如下所示:

apple|orange|pear|banana|kiwi

| 在正则表达式中用作 OR。

我非常简单的测试代码如下所示:

public class TestContains {

   private static String containsWord(Set<String> words,String sentence) {
     for (String word : words) {
       if (sentence.contains(word)) {
         return word;
       }
     }

     return null;
   }

   private static String matchesPattern(Pattern p,String sentence) {
     Matcher m = p.matcher(sentence);

     if (m.find()) {
       return m.group();
     }

     return null;
   }

   public static void main(String[] args) {
     Set<String> words = new HashSet<String>();
     words.add("apple");
     words.add("orange");
     words.add("pear");
     words.add("banana");
     words.add("kiwi");

     Pattern p = Pattern.compile("apple|orange|pear|banana|kiwi");

     String noMatch = "The quick brown fox jumps over the lazy dog.";
     String startMatch = "An apple is nice";
     String endMatch = "This is a longer sentence with the match for our fruit at the end: kiwi";

     long start = System.currentTimeMillis();
     int iterations = 10000000;

     for (int i = 0; i < iterations; i++) {
       containsWord(words, noMatch);
       containsWord(words, startMatch);
       containsWord(words, endMatch);
     }

     System.out.println("Contains took " + (System.currentTimeMillis() - start) + "ms");
     start = System.currentTimeMillis();

     for (int i = 0; i < iterations; i++) {
       matchesPattern(p,noMatch);
       matchesPattern(p,startMatch);
       matchesPattern(p,endMatch);
     }

     System.out.println("Regular Expression took " + (System.currentTimeMillis() - start) + "ms");
   }
}

我得到的结果如下:

Contains took 5962ms
Regular Expression took 63475ms

显然，时间会根据搜索的单词数量和搜索的字符串而有所不同，但是对于像这样的简单搜索，contains() 似乎比正则表达式快约 10 倍.

通过使用正则表达式在另一个字符串中搜索字符串，您就像在使用大锤来破解坚果，所以我想我们不应该对它的速度变慢感到惊讶。当您要查找的模式更复杂时，请保存正则表达式。

您可能想要使用正则表达式的一种情况是，如果 indexOf() 和 contains() 无法完成这项工作，因为您只想匹配整个单词，而不仅仅是子字符串，例如您想要匹配 pear 而不是 spears。正则表达式可以很好地处理这种情况，因为它们具有 word boundaries 的概念。 .

在这种情况下，我们将模式更改为:

\b(apple|orange|pear|banana|kiwi)\b

\b 表示仅匹配单词的开头或结尾，括号将 OR 表达式组合在一起。

请注意，在代码中定义此模式时，您需要使用另一个反斜杠转义反斜杠:

 Pattern p = Pattern.compile("\\b(apple|orange|pear|banana|kiwi)\\b");