Question

我必须将文件数据解析为好记录和坏记录，数据的格式应为

Patient_id::Patient_name (year of birth)::disease

疾病是管道分离的，并且选自以下疾病：

1.HIV
2.Cancer
3.Flu
4.Arthritis 
5.OCD

例如：23 :: Alex.jr（1969）:: HIV | Cancer | flu

我写的正则表达式是

\d*::[a-zA-Z]+[^\(]*\(\d{4}\)::(HIV|Cancer|flu|Arthritis|OCD) 
     (\|(HIV|Cancer|flu|Arthritis|OCD))*

但是它也在考虑具有冗余条目的记录

24 :: Robin（1980）:: HIV | Cancer | Cancer | HIV

如果疾病清单很大，如何处理此类记录以及如何写出更好的表达方式

注意：我正在使用hadoop maponly作业进行解析，因此请在使用Java的上下文中给出答案。

Answer 1

您需要负前瞻。尝试使用以下正则表达式：^\d*::[^(]+?\s*$\d{4}$::(?!.*(HIV|Cancer|flu|Arthritis|OCD).*\|\1)((HIV|Cancer|flu|Arthritis|OCD)(\||$))+$。

说明：

初始字符串^\d*::[^(]+?\s*$\d{4}$::只是一个经过优化的字符串，可以匹配 Alex.jr 示例（您的版本不使用名称中的任何非字母符号）
前瞻性否定块(?!.*(HIV|Cancer|flu|Arthritis|OCD).*\|\1)代表”，查找任何疾病名称，遇到两次，并拒绝该字符串（如果找到）。其独特之处是{{1} }签名。
最后，(?! ... )也是块((HIV|Cancer|flu|Arthritis|OCD)(\||$))+$的优化版本，旨在避免重复列出。

Answer 2

您可能要做的是捕获包含疾病的最后一部分（称为捕获组disease），然后使用split获得单个疾病，然后使列表唯一。

^\d*::[a-zA-Z]+[^$]*\(\d{4}$::(?<disease>(?:HIV|Cancer|flu|Arthritis|OCD)(?:\|(?:HIV|Cancer|flu|Arthritis|OCD))*)$

例如：

String regex = "^\\d*::[a-zA-Z]+[^\\(]*\\(\\d{4}\\)::(?<disease>(?:HIV|Cancer|flu|Arthritis|OCD)(?:\\|(?:HIV|Cancer|flu|Arthritis|OCD))*)$";
String string = "24::Robin (1980)::HIV|Cancer|Cancer|HIV";

Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(string);

if (matcher.find()) {
    String[] parts =  matcher.group("disease").split("\\|");
    Set<String> uniqueDiseases = new HashSet<String>(Arrays.asList(parts));
    System.out.println(uniqueDiseases);
}

结果：

[HIV, Cancer]

Regex demo | Java demo

Answer 3

可能更容易维护的方法是使用稍有变化的正则表达式，如下所示：

^\d*::[a-zA-Z.]+\s\(\d{4}\)::((?:HIV|Cancer|flu|Arthritis|OCD|\|(?!\|))+)$

它包含：

^和$锚点（您希望匹配 entire 字符串，而不是它的一部分。）
捕获组，包括重复的非捕获组（容器供选择）。这些选择之一是|，但带有负数前瞻，以立即关注|（这样一来，您不允许2或更多连续的|）。

然后，如果此正则表达式与特定行匹配，则应：

通过|分割组1。
检查结果字符串数组的唯一性（它不应包含重复的条目）。

只有此检查成功，您才应接受有问题的行。

如何处理正则表达式中的多余案例？

3 个答案: