将正则表达式与 Java 的 TreeSet 或 Collections.BinarySearch 一起使用答案

【问题标题】：Using regex with Java's TreeSet or Collections.BinarySearch将正则表达式与 Java 的 TreeSet 或 Collections.BinarySearch 一起使用
【发布时间】：2013-12-25 06:56:23
【问题描述】：

我正在尝试创建一个匹配程序，当给定某个单词的正则表达式时说“C[A-Z]T”，从单词列表中找到与该正则表达式匹配的所有单词。我的示例中的匹配项是 CAT、CUT、COT。

我的目标是尽可能快地处理非常大的单词列表。我尝试过使用 Java 的 TreeSet 来实现，但是搜索需要很长时间，因为我必须遍历 Tree 中的每个单词。即使我在将列表放入树之前随机化列表，搜索也太慢了。

所以我的问题是，我可以使用内部 Contains()，还是 Java 提供的其他数据结构可以与正则表达式一起使用？谢谢..

我正在考虑使用 AVL 或红黑“hashmap”（但不是真的），长度作为键，单词作为值。这意味着我需要允许多个相同的键，但每个键映射到不同的值。所以我的 get 将返回一个值列表，而不是单个值。在某个地方我可以找到这种数据结构的实现吗？或者至少是让我开始的基础。我真的不想自己动手。

到目前为止，这是我的代码：

public class WordSearch {
    SortedSet<String> tree = new TreeSet<String>();
    List<String> list = new ArrayList<String>();

    public WordSearch(List<String> allWords) {
        // long seed = System.nanoTime();
        // Collections.shuffle(allWords, new Random(seed)); // randomize
        tree.addAll(allWords);
    }

    public List<String> solutions(String pattern, int max) {
        pattern = pattern.toLowerCase().toUpperCase();
        pattern = pattern.replace("*", "[A-Z]");
        Pattern find = Pattern.compile(pattern);
        int count = 0;
        ArrayList<String> result = new ArrayList<String>();
        Iterator<String> it = tree.iterator();
        while (count < max) {
            while (it.hasNext()) {
                String word = it.next().toLowerCase().toUpperCase();
                Matcher match = find.matcher(word);
                if (match.matches()) {
                    result.add(word);
                    count++;
                }
            }
            break;
        }
        return result;
    }
}

【问题讨论】：

标签： java regex search optimization tree

【解决方案1】：

如果您事先知道您的正则表达式/模式，您可以构建类似布隆过滤器的东西，但这与构建 Collections（如 matchesPattern0、matchesPattern1 等）并没有太大区别，那就是基本上数据库的索引是如何工作的。您可能还只想要一个前缀树。

在您的情况下，数据结构有帮助的唯一方法是锚定正则表达式，即指定第一个或最后一个字符或字符范围。否则，无论如何，您都必须检查整个数据结构。基本上，^C[A-Z]T$ 案例是非常特定的，没有人为此构建优化的数据结构。

如果你觉得自己很聪明并且迫切需要这个，那么最好的办法是将Pattern 转换为“最小值”和“最大值”，所以CAT 和D，然后使用@ 987654328@，并对结果应用过滤器。但实际上，这种优化很少奏效。

【讨论】：