Question

我有一个文本集合，我想提取列出的所有国家/地区的所有实例。到目前为止，我能够根据以下代码填充所有国家/地区的Set：

  Set<String> countries = new TreeSet<String>();
  Locale[] locales = Locale.getAvailableLocales();
  for (Locale locale : locales) {
        countries.add(locale.getDisplayCountry());
  }

我当然可以为每个国家制作一个正则表达式来搜索每一行，但我想知道我是否可以在一个正常的表达中这样做，即在这个给定的文本行中提到哪个国家。

Answer 1

将所有国家/地区名称连接成一个正则表达式：

String regex = "(";
boolean first = true;

for (String name: countries) {
    regex += (first ? "" : "|") + Pattern.quote(name);
    first = false;
}

regex += ")";

（您可以使用StringBuffer）

编写更高效的代码

您将获得一个具有以下格式的正则表达式：(Country1|Country2|Country3)，如果文本与任何国家/地区名称匹配，它将匹配。

此解决方案假定您希望将国家/地区名称（从空格和点开始）与getDisplayCountry的名称完全匹配。您可以通过将(?i)添加到正则表达式来使其与大小写不匹配。

Answer 2

您可以通过连接用“|”分隔的所有名称来构建单个正则表达式，以指示“其中任何一个都可以”。在您的情况下，您可以构建

StringBuilder exp = new StringBuilder();
for (String s : countries) {
  exp.append(exp.length() == 0 ? "(" : "|");
  exp.append(s);
}
Pattern countryPattern = Pattern.compile(exp.append(")").toString());

并且，给定countryPattern，您现在可以编写以下内容来迭代所有匹配

Matcher m = countryPattern.matcher(aStringWithCountries);
while (m.find()) {
   System.err.println("Found country " + m.group(1));
}

Answer 3

如果你只是简单的匹配（精确的字符串匹配），那么实际上比正则表达式更好。有一个强大的字符串匹配算法Aho-Corasick algorithm。所以你需要做的是创建Aho-Corasick树并用国家名称填充它。然后，您可以在最佳时间复杂度中搜索文本中的这些国家/地区。这是python implementation，我希望java也有一些。

正则表达式在文本中查找国家？

3 个答案: