Поиск подстроки в строке с помощью регулярных выражений

Question

Я пытаюсь найти набор слов, содержащихся в ArrayList(terms_1pers), внутри строки и, поскольку предварительное условие состоит в том, что до и после слова для поиска не должно быть букв, я подумал об использовании выражения регулярный ,

Я просто не знаю, что я делаю неправильно, используя оператор совпадений. В указанном коде, если соответствие не подтверждено, оно записывает во внешний файл.

String url = csvRecord.get("url");
String text = csvRecord.get("review");
String var = null;
for(String term : terms_1pers)
{
   if(!text.matches("[^a-z]"+term+"[^a-z]"))
   {
      var="true";
   }
}
if(!var.equals("true"))
{
    bw.write(url+";"+text+"\n");
}

Answer 1

Чтобы найти совпадения с регулярными выражениями, вы должны использовать классы регулярных выражений.Pattern and Matcher.

String term = "term";
ArrayList<String> a  = new ArrayList<String>();
a.add("123term456"); //true
a.add("A123Term5"); //false
a.add("term456"); //true
a.add("123term"); //true
Pattern p = Pattern.compile("^[^A-Za-z]*(" + term + ")[^A-Za-z]*$");
for(String text : a) {
    Matcher m = p.matcher(text);
    if (m.find()) {
         System.out.println("Found: " + m.group(1) );
         //since the term you are adding is the second matchable portion, you're looking for group(1)
    }
    else System.out.println("No match for: " + term);
}

}

В этом примере мы создаем экземпляр https://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html для поиска совпадений в тексте, с которым вы сопоставляете.

Обратите внимание, что я немного изменил регулярное выражение.Выбор в этом коде исключает все буквы AZ и строчные версии из начальной совпадающей части.Это также учитывает ситуации, когда нет символов до или после срока матча.Если вам нужно что-то там, используйте + вместо *.Я также ограничил регулярное выражение, чтобы заставить совпадение содержать только совпадения для этих трех групп, используя ^ и $, чтобы проверить конец конца соответствующего текста.Если это не соответствует вашему варианту использования, вам может потребоваться выполнить настройку.

Чтобы продемонстрировать использование этого с различными терминами:

ArrayList<String> terms = new ArrayList<String>();
terms.add("term");
terms.add("the book is on the table");
terms.add("1981 was the best year ever!");
ArrayList<String> a  = new ArrayList<String>();
a.add("123term456");
a.add("A123Term5");
a.add("the book is on the table456");
a.add("1@#!231981 was the best year ever!9#");
for (String term: terms) {

    Pattern p = Pattern.compile("^[^A-Za-z]*(" + term + ")[^A-Za-z]*$");

    for(String text : a) {

        Matcher m = p.matcher(text);
        if (m.find()) {
             System.out.println("Found: " + m.group(1)  + " in " + text);
             //since the term you are adding is the second matchable portion, you're looking for group(1)
        }
        else System.out.println("No match for: " + term + " in " + text);
    }
}

Вывод для этого: Найдено: терминin 123term456 Нет соответствия для: термин в A123Term5 Нет соответствия для: термин в книге находится в таблице456 ....

В ответ на вопрос о том, что в строковом термине не учитывается регистр, вот способ, которым мы можемсоздайте строку, используя преимущества java.lang.Character для опций для букв верхнего и нижнего регистра.

String term = "This iS the teRm.";
String matchText = "123This is the term.";
StringBuilder str = new StringBuilder();
str.append("^[^A-Za-z]*(");
for (int i = 0; i < term.length(); i++) {
  char c = term.charAt(i);
  if (Character.isLetter(c))
    str.append("(" + Character.toLowerCase(c) + "|" + Character.toUpperCase(c) + ")");
  else str.append(c);
}
str.append(")[^A-Za-z]*$");

System.out.println(str.toString());


Pattern p = Pattern.compile(str.toString());
Matcher m = p.matcher(matchText);
if (m.find()) System.out.println("Found!");
else System.out.println("Not Found!");

Этот код выводит две строки, первая строка - это строка регулярного выражения, которая компилируется в шаблоне."^[^A-Za-z]*((t|T)(h|H)(i|I)(s|S) (i|I)(s|S) (t|T)(h|H)(e|E) (t|T)(e|E)(r|R)(m|M).)[^A-Za-z]*$" Это скорректированное регулярное выражение позволяет сопоставлять буквы в термине независимо от регистра.Вторая строка вывода "Найдено!"потому что смешанный термин находится в matchText.

Answer 2

вы не рассматривали случай, когда начало и конец могут содержать буквы, поэтому добавление. * В начале и конце должно решить вашу проблему.

for(String term : terms_1pers)
{
   if( text.matches(".*[^a-zA-Z]+" + term + "[^a-zA-Z]+.*)" )  
   {
      var="true";
      break; //exit the loop
   }
}
if(!var.equals("true"))
{
    bw.write(url+";"+text+"\n");
}

Answer 3

Следует отметить несколько вещей:

• matches требует полного совпадения строки, поэтому [^a-z]term[^a-z] будет соответствовать только строке, подобной :term.. Вам нужно использовать .find(), чтобы найти частичные совпадения
• Если вы передаете литеральную строку в регулярное выражение, вам нужно Pattern.quote ее, или если она содержит специальные символы, она не будет соответствовать
• Чтобы проверить, имеет ли слово какой-либо шаблон до или после или в начале / конце, вы должны либо использовать чередования с якорями (например, (?:^|[^a-z]) или (?:$|[^a-z])), либо искать обходные пути, (?<![a-z]) и (?![a-z]).
• Чтобы сопоставить любую букву, просто используйте \p{Alpha} или - если вы планируете сопоставить любую букву Unicode - \p{L}.
• Переменная var логичнее установить в логический тип.

Фиксированный код:

String url = csvRecord.get("url");
String text = csvRecord.get("review");
Boolean var = false;
for(String term : terms_1pers)
{
   Matcher m = Pattern.compile("(?<!\\p{L})" + Pattern.quote(term) + "(?!\\p{L})").matcher(text);
   // If the search must be case insensitive use
   // Matcher m = Pattern.compile("(?i)(?<!\\p{L})" + Pattern.quote(term) + "(?!\\p{L})").matcher(text); 
   if(!m.find())
   {
       var = true;
   }
}
if (!var) {
   bw.write(url+";"+text+"\n");
}