在字符串上运行多个正则表达式模式

Question

假设我有一个 List<String> 和一个空的 List<Pattern>，以下是将 String 中的单词转换为 Pattern 对象的最佳方法：

for(String word : stringList) {
    patterns.add(Pattern.compile("\\b(" + word + ")\\b);
}

然后稍后运行此字符串：

for(Pattern pattern : patterns) {
    Matcher matcher = pattern.matcher(myString);
    if(matcher.matches()) {
         myString = matcher.replaceAll("String[$1]");
    }
}

replaceAll只是一个例子，但在我使用它时，$1将被大多数使用。

有没有更有效的方法？因为我觉得这有点笨重。顺便说一下，我正在使用80个字符串列表，虽然使用的字符串是可配置的，所以不会总是有这么多。

这是设计成一种骂人过滤器，所以我会让你假设列表中的单词，

输入的一个例子是"You're a <curse>"，输出将是"You're a *****"，尽管这可能并不总是这样，而且在某些时候我可能会从HashMap<String, String>读取，其中键是捕获组，值是替换。

示例：

if(hashMap.get(matcher.group(1)) == null) { 
    // Can't test if \ is required. Used it here for safe measure.
    matcher.replaceAll("\*\*\*\*");
 } else {
    matcher.replaceAll(hashMap.get(matcher.group(1));
 }

- Connor Spencer Harries

---

@RealSkeptic，我在开头和结尾加了\b来解决那个问题，鉴于\b是用于单词边界的，这样做不会修复你提到的问题吗？ - Connor Spencer Harries

@AvinashRaj，已经更新并加入一个例子。 - Connor Spencer Harries

没错，在这种情况下 \\b 是行不通的。如果在开头和结尾都不加 \\b 会有什么问题？ - Avinash Raj

@AvinashRaj，嗯，我一直知道\b标记单词边界，这只是一个单词过滤器，所以你可以看到我想从哪里来 :) - Connor Spencer Harries

谢谢@vsb，我想我会坚持这个，因为它不需要像你说的那样复杂 :P - Connor Spencer Harries

Answer 1

您可以使用竖线符号|将这些模式组合在一起：

Pattern pattern = Pattern.compile("\\b(" + String.join("|",stringList) + ")\\b");

如果您无法使用Java 8，那么就没有String.join方法可用。或者，如果需要转义单词以防止其中的字符被解释为正则表达式元字符，则需要使用手动循环构建此正则表达式。请参考以下内容：

String.join 方法和quote方法。

StringBuilder regex = new StringBuilder("\\b(");
for (String word : stringList) {
    regex.append(Pattern.quote(word));
    regex.append("|");
}
regex.setLength(regex.length() - 1); // delete last added "|"
regex.append(")\\b");
Pattern pattern = Pattern.compile(regex.toString());

为了针对不同的单词使用不同的替换方案，您可以使用以下循环应用模式：

Matcher m = pattern.matcher(myString);
StringBuilder out = new StringBuilder();
int pos = 0;
while (m.find()) {
    out.append(myString, pos, m.start());
    String matchedWord = m.group(1);
    String replacement = matchedWord.replaceAll(".", "*");
    out.append(replacement);
    pos = m.end();
}
out.append(myString, pos, myString.length());
myString = out.toString();

您可以按照您喜欢的任何方式查找匹配单词的替换。该示例生成一个与匹配单词长度相同的星号替换字符串。

- Boann

---

请看我所做的编辑以使自己更清晰，但感谢StringBuilder#setLength，不知道StringBuilder有这个功能！对于任何没有使用Java 8的人，还有Google的Joiner，我知道它可能过度了，但它可以帮助那些不知道它的人。 - Connor Spencer Harries

Answer 2

Boann的想法已经很好了。但是，例如对于日志过滤，我有一个大型的过滤器列表，其中文本与正则表达式匹配，我需要知道哪个过滤器匹配。因此，我将其他过滤器（如模块、代码、级别等）也编码为正则表达式。如果有匹配项，我会检查哪个组匹配。

1）因此，每行只检查一次。

2）由于所有正则表达式都构建到一个匹配器中，因此每个字符只检查一次。

这是从N（条件数量）到几乎1（几乎任何数量的过滤器的常数）的极大改进。

public static void main(final String[] argc) throws Throwable {
    Config c;
    try(InputStream s = new FileInputStream("webapp/WEB-INF/logScanConfig.xml")) { c = (Config) JAXBContext.newInstance(Config.class).createUnmarshaller().unmarshal(s); }
    final LineContext[] a = c.rules.toArray(new LineContext[c.rules.size()]);
    final StringBuilder regex = new StringBuilder();
    for(int i=0;i<a.length;i++) {
        final LineContext e = a[i];
        final String p ="(^"+
                (e.modul == null?".*":e.modul)+" ; "+
                (e.code  == null?".*":e.code )+" ; "+
                (e.mesg  == null?".*":e.mesg )+" ; "+
                (e.level == null?".*":e.level)+" ; "+
                (e.regex == null?".*":e.regex)+"$)";
        if(regex.length()>0) regex.append("|");
        regex.append(p);
    }

    final Pattern pattern = Pattern.compile(regex.toString(), Pattern.DOTALL);
    final Matcher m = pattern.matcher("ISS ; 0025 ; 0008 ; I ; State Manager started");
    if(!m.matches()) {
        System.out.println("Not Found");
    } else {
        System.out.println("GroupCount: "+m.groupCount()+" A["+a.length+"]");
        for(int i=1;i<=m.groupCount();i++) {
            if(null != m.group(i)) {
                System.out.println("GROUP["+(i-1)+"]: "+m.group(i));
                System.out.println(a[i-1]);
            }
        }
    }
  }
}

这里是logScanConfig.xml的一个示例

<logScanConfig user="private.1" pass="private.2">
 <logUrls>
  <e>http://private.3:80/fetch/log</e>
  <e>http://private.4:80/fetch/log</e>
  <e>http://private.5:80/fetch/log</e>
 </logUrls>
 <rules>
  <e backlogTime='600' minCount='0' maxCount='0' modul='ART' code='0114' mesg='1007' level='E'><regex>.*ORA-27101: shared memory realm does not exist.*</regex></e>
  <e backlogTime='600' minCount='0' maxCount='0' modul='ISS' code='0098'             level='E'><regex>Insufficient memory .*</regex></e>
 </rules>
</logScanConfig>

- SkateScout

---

你能否提供一个logscanConfig.xml的示例？ - Grinish Nepal

Answer 3

如果无论匹配什么单词，你都要执行相同的操作，可以从这些单词中组成一个大的“OR”表达式，并使用单个模式，如下所示：

\\b(<word1>|<word2>|...|<wordN>)\\b

在循环中，应将<wordK>替换为您的单词：

StringBuilder res = new StringBuilder("\\b(");
boolean first = true;
for(String word : stringList) {
    if (!first) {
        res.append("|");
    } else {
        first = false;
    }
    res.append(word);
}
res.append(")\\b");
Pattern p = Pattern.compile(res.toString());

注意：本解决方案假设单词不包含正则表达式元字符。

- Sergey Kalinichenko

---

谢谢您的回复，请问您能否看一下我的编辑呢？ - Connor Spencer Harries

@charries96 编辑方面怎么样？这个与你的代码兼容，但只用了一个表达式。 - Sergey Kalinichenko

没事了，以为它改变了什么，但我猜它没有。早上有点迷糊。 - Connor Spencer Harries