Question

我正在尝试解析一个包含一系列＆＃34;记录的文本文件＆＃34;以数字开头（后跟NBSP和1-2个空格），包含数百个字母和数字字符，跨越换行符，但不以任何可预测的结尾。识别记录结尾的唯一方法是点击起始标记的下一个实例，该标记可与以下正则表达式匹配：

\\d{1,4}\\u00A0\\s+

内容是手动输入的，有不可预知的换行符，所以我将它们删除了。这给我留下了一个字符串。

1  blah blah blah  2  blah blah blah ... 875  blah blah blah

由于我知道记录已经结束的唯一方法是通过点击下一个记录ID，我尝试分割上面的正则表达式。这会正确地将文件拆分为记录，但它会省略我需要捕获的记录ID。我检查了Java文档，但没有捕获动态值被分割的内容。我尝试将记录编号设为捕获组，但该数据不会保留在生成的数组中。

这个问题（Java String Regex split and capture splitted portion）似乎相似，但提问者知道每个文本片段的结束位置;而我只知道每个开始的地方。

那么是否有另一种拆分方法，但是通过拆分正则表达式保留文本匹配？

由于

Answer 1

不要使用split()，而是编写自己的正则表达式循环，例如

String input = "...your input...";
Matcher m = Pattern.compile("\\d{1,4}\\u00A0\\s+").matcher(input);
int prev = 0;
while (m.find()) {
    String prevText = input.substring(prev, m.start());
    prev = m.end();
    String delimiter = m.group();
    // ... code here ...
}
String tailText = input.substring(prev); // text after last delimiter
// ... code here ...

Answer 2

如果您只想检查文字后是否存在其他文字，但未在匹配中包含其他文字（例如检查foo后bar是否bar但不包括(?=...)在匹配中）那么你正在寻找look-around mechanism或更准确，正面向前看split("(?=\\d{1,4}\\u00A0\\s+)")。

让我们从1234[nbsp]___开始吧。这将在任何具有NBSP的1-4位数字和一些空格之前分开。问题在于像

这样的文本

这描述了地点（标有|1234[nbsp]___ 1|234[nbsp]___ 12|34[nbsp]___ 123|4[nbsp]___）

(?<!...)

但我们不希望允许在数字之间进行拆分。我们必须添加条件以防止这种分裂。所以如果我们可以说“在拆分之前不能有数字”那就太好了。要做到这一点，我们可以在(?<!\\d)后面使用负面看法，在我们的例子中看起来像split("(?<!\\d)(?=\\d{1,4}\\u00A0\\s+)")。

所以最终解决方案看起来像 ：

.indexOf

在正则表达式上拆分并在Java中捕获匹配的分隔符表达式？

2 个答案: