找到长串的模式？

Question

我有40KB的HTML页面，我想在其中找到某些模式。

我可以通过1K缓冲区读取它，但我想避免我正在搜索的模式将在两个缓冲区读取之间拆分的情况。

如何克服这个问题？

Answer 1

这很容易。您将计算要查找的最长模式，然后将文件指针回溯该量，或者滚动文件，只读取增量。

想象一下最长的模式是26个字节。

1. 阅读1k。
2. 检查所有模式 - ＆gt;什么都没有。
3. 从缓冲区中删除1k - 26个字节。
4. 从流中读取1k - 26个字节并添加到缓冲区
5. 转到2。

编辑：让我澄清一下：有两种方法可以做到这一点，两者都有其优点。如果您从流中读取，我最好使用上面记录的那个，这意味着不支持搜索的数据源。但是，如果您的数据源支持搜索（如文件系统文件），则可以轻松地对搜索执行相同操作。检查图案，如果没有找到，请找回最长图案的尺寸，然后从那里开始。

但是，如果您希望支持搜索长度超过缓冲区大小的模式，则可能需要更加聪明的算法。当你继续读取更多数据时，你需要一个当前“打开”的所有模式的查找表，这反过来会花费更多的内存 - 你会遇到问题。

Answer 2

这就是Scanner类的用途。

Answer 3

您可以查看CharBuffer，为此目的实施CharSequence

Answer 4

为什么不使用SAX parser。它是为处理大型标记文件而构建的。如果您尝试匹配同一级别的不同元素，则会遇到问题。然而，这并非不可能处理