Java lib：用于具有不同语义的文本的分析器

Question

我需要一个java lib，它会比较两个不同的文本和一些相似之处，并告诉我它们是否相关。

例如，我会比较其中一个

a）“COMP 150.00 MG X 20.00 UN”

b）“COMP 150.00 MG X 60.00 UN”

这一个

c）“150 mg comp.rec.x 20”

并且lib应该告诉我第一个对应而第二个不对，因为 a）和 c）都提到了“ 150毫克胶囊和包装带来20个单位“和 b）指的是60个单位包..

我的另一个想法是关于正则表达式，但我不太喜欢它们，所以这就是我要求你帮助的原因。

提前致谢。

Answer 1

实现Comparable接口并覆盖CompareTo方法。 如果没有找到答案，请用其他例子解释问题。

Answer 2

如果文本变体总是以相同的方式构建，则正则表达式可能是解决此问题的一种方法。基本上你会根据一组表达式检查每个文本，看看它们是否匹配。根据变体的不同，表达式可能很简单，也可能需要更复杂。

对于上面的情况，第一个表达式可能如下所示：

COMP 150.00 MG X 20.00 UN - ＆gt; (identifier) (capsule weight) X (num units)

由此可以得出以下表达式：
^COMP (\d+(?:\.\d+)?) MG X ([\d]+(?:\.\d+)?) UN$
（这假设空格的数量始终相等，并且始终使用MG和UN）。

第二个表达：

150 mg comp.rec.x 20 - ＆gt; (capsule weight) comp.rec.x (num packages)

可以推导出以下表达式：
^(\d+(?:\.\d+)?) mg comp\.rec\.x (\d+(?:\.\d+)?)$

您会看到两个表达式都包含以下部分两次：([\d]+(?:\.\d+)?)
这些部分将数字捕获到一个组中，然后允许您将该文本解析为Double。 以下是该子表达式的简短细分：

• ( ... )是一个捕获组，即您可以直接访问与该组匹配的部分
• \d+表示一个或多个数字
• \.是文字点
• (?: ... )是非捕获组，即您可以应用量词，但无法直接访问匹配的部分

从以上部分中您可以得到以下信息：

• (?:\.\d+)?表示最多一个点，后跟至少一个数字。这将匹配.123但不匹配.1.2.3或1.
• (\d+(?:\.\d+)?)表示至少一个数字，可选地后跟一个点，后跟至少一个数字。这将匹配1.23，12.3或123，但不匹配1.，.2或1.2.3。

如果您有这些表达式，请在文本上应用正确的表达式（如果您知道，否则先测试）并提取这两个组。然后比较这些组的值。

注意：不要忘记在Java字符串中必须转义反斜杠，因此\d将被写为"\\d"等。