文本中匹配名称的数据结构

Question

我想查找在文本文件中引用的名称。作者可以有任意数量的姓名和头衔。仅当所有名称都匹配时才找到匹配项（例如，名为“John Doe”的人在仅包含“John”的文本中不匹配

我现在解决的方法是将名称拆分为标记并将第一个标记存储在 HashSet 中，以小写字符串作为键。每个令牌都包含一组名称中的下一个令牌，依此类推。

这会导致大量增加开销的 HashSet 对象。我认为有更好的方法来处理这个问题？如果可能的话，我更喜欢图书馆，但任何事情都会有所帮助

如果那里有好的解决方案，我愿意切换到 Python。

Answer 1

你可以只使用正则表达式吗？根据文本文件，您可能需要使用多行匹配，如下所示。

    Pattern p = Pattern.compile("John\\s+Doe", Pattern.MULTILINE);
    Matcher m = p.matcher("I am looking for John \nDoe, I am.");        
    System.out.println(m.find());

您也可以使用pcregrep 等命令行实用程序执行此操作 - 请参阅此related question。

更新：为了解决存储名称的问题，用于存储相关字符串的内存高效结构是 Trie，它可能有用 - 虽然可能有很多免费实现据我所知，Java 标准库中没有一个。有关一些建议，另请参阅 this question 和 this one。

Answer 2

据我了解您的问题，您必须存储每个作者的任意姓名列表，并有效地匹配它们。

我假设您已经解决了解析名称、删除“Dr”等非必要/可选部分以及保留“von”和“de”等粒子的问题。您的规范化名称必须是固定大小写的字符串序列（小写可以，但我会坚持使用大写或标题大小写）。

现在，List<String> 或 String[] 将用作包含其他详细信息的 HashMap 的密钥。恐怕这不会很好，因为两者都是可变的，我不确定他们的 hashCode() 方法是否适合这种情况。

所以我会想出这样的东西：

class AuthorName(object) {
  private String[] parts;
  public AuthorName(String... name_parts) {
    assert name_parts.length > 0;
    parts = name_parts;
  }

  @Override
  public int hashCode() {
    // hashCode() that only depends on name parts
    int result = 0;
    for (int i=0; i < parts.length; i+=1) result ^= part.hashCode();
    return result;
  }
}

Map<AuthorName, ...> authors = new HashMap<AuthorName, ...>();
authors.put(new AuthorName('John', 'Doe'), ...);
assert authors.get(new AuthorName('John', 'Doe')) != 0

这并不能解决许多可能的问题，例如“Joe Random User”、“Joe R User”和“J. R. 用户'是同一个人。这应该在不同的层面上解决。

如果你更详细地陈述你的情况，并举一两个例子，答案可能会更好。

您可能还对图书馆规范作者姓名的方式感兴趣。人们使用elaborate schemes 来匹配姓名。