Как я могу изменить свое регулярное выражение для обработки выбросов данных?

Question

В идеале все мои данные должны выглядеть так:

William Faulkner - 'Light In August'
William Faulkner - 'Sanctuary'
William Faulkner - 'The Sound and the Fury'

В этом случае это регулярное выражение будет работать нормально:

Pattern pattern = Pattern.compile("^\\s*(.*)\\s+-\\s+'(.*)'\\s*$");
Matcher matcher = pattern.matcher("William Faulkner - 'Light In August'");

if (matcher.matches()) {
    String author = matcher.group(1).trim();
    String bookTitle = matcher.group(2).trim();

    System.out.println(author + " / " + bookTitle);
}
else {
   System.out.println("No match!");
}

Но иногда мои данные содержат примеры, подобные этим, которые, кажется, не соответствуют приведенной выше схеме:

Saki - 'Esme'
Saki - 'The Unrest Cure' (Second Edition)
Saki (File Under: Hector Hugh Munro) - 'The Interlopers' (Anniversary Multi-pack)
William Faulkner - 'The Sound and the Fury' (Collector's Re-issue)
'The Sound and the Fury'
The Sound and the Fury
The Bible (St James Version)

Во всех случаях, когда дефис не существует, это названия книг без авторов. Я не обнаружил ни одного случая, когда имя автора появлялось без названия книги.

Как я могу изменить свое регулярное выражение, чтобы справиться с этим правильно?

Answer 1

Это регулярное выражение соответствует всем описанным вами случаям:

  ^\s*(?:(.*)\s+-\s+)?'?([^']+'?.*)\s*$

Как строка Java, это: "^\\s*(?:(.*)\\s+-\\s+)?'?([^']+'?.*)\\s*$"

Если вы используете JDK7, вы можете использовать именованную группу захвата следующим образом:

  ^\s*(?:(?<Author>.*)\s+-\s+)?'?(?<Title>[^']+'?.*)\s*$

, где <$<Author> и <$<Title> относятся к захваченной группе, в запасной части.

Answer 2

Я бы не стал использовать для этого ни одного регулярного выражения.Вместо этого я бы использовал последовательность (или дерево) регулярных выражений для проверки различных альтернативных синтаксисов в некотором порядке, который дает наилучшие результаты.И я бы дал понять, что могут быть некоторые входные наборы, где результаты не будут идеальными ... независимо от того, какую эвристику вы используете.