将正则表达式应用于SAX流

Question

有人知道一个好的流式 Java正则表达式解析器吗？

特别是，我希望能够通过观察XML元素流的内容并检测内容是否以及在何处与给定的正则表达式匹配。例如，我想从MediaWiki元素流的内容中观察SAX“characters”回调，但是检测匹配==（[^ = \ n] +）==的子串在何处发生。

诀窍是内容以不确定的大小排列，这意味着匹配的子字符串可能会在多个回调中被打破。

当然，简单的解决方案是简单地缓冲所有回调并在长字符串上运行Java的内置regexp引擎。不幸的是，这会占用太多内存。

复杂性的下一步是将正则表达式转换为DFA并检测DFA何时进入“接受”状态。我想知道是否有人知道是否有一些Java库来简化这个过程。

我一直在看Ragel;但这要求在编译时指定DFA。

Answer 1

在这种情况下，Matcher的{​​{3}}可能有用：

  

当此方法返回true时，更多输入可能会更改上次搜索的结果。

您可以尝试匹配每个块，如果没有匹配但hitEnd返回true，则必须附加下一个块并重试。

如果匹配器以某种方式也返回了可能的起始索引，那将是很好的，但这似乎不可能。

Answer 2

缓冲那些回调，每次关闭一个标签时检查regexp，丢弃缓冲区