正则表达式在文本中查找国家？答案

【问题标题】：Regular expression to find countries in text?正则表达式在文本中查找国家？
【发布时间】：2012-07-25 09:52:55
【问题描述】：

我有一个文本集合，我想从中提取列出的所有国家/地区的所有实例。到目前为止，我能够根据以下代码用所有国家/地区填充 Set：

  Set<String> countries = new TreeSet<String>();
  Locale[] locales = Locale.getAvailableLocales();
  for (Locale locale : locales) {
        countries.add(locale.getDisplayCountry());
  }

我当然可以为每个国家/地区创建一个正则表达式以在每一行中进行搜索，但我想知道是否可以在一个正则表达式中执行此操作，即在给定的文本行中提到哪个国家/地区。

【问题讨论】：

我认为找到多个匹配项是可以的。另外，请记住，某些国家/地区有多种拼写方式，任何大小的大多数文本都会出现拼写错误，并且某些国家/地区名称也是有效的非国家/地区单词或单词的一部分...

标签： java regex country

【解决方案1】：

将所有国家名称连接到一个正则表达式中：

String regex = "(";
boolean first = true;

for (String name: countries) {
    regex += (first ? "" : "|") + Pattern.quote(name);
    first = false;
}

regex += ")";

（您可以使用StringBuffer 编写更高效的代码）

您将获得一个具有以下形式的正则表达式：(Country1|Country2|Country3)，如果文本匹配任何国家/地区名称，它将匹配。

此解决方案假定您希望将国家/地区名称与您从getDisplayCountry 获得的名称完全匹配（直到空格和点）。您可以通过在正则表达式前面加上 (?i) 使其匹配不区分大小写。

【讨论】：

【解决方案2】：

您可以通过连接用“|”分隔的所有名称来构建单个正则表达式，以表示“其中任何一个都可以”。在您的情况下，您可以构建

StringBuilder exp = new StringBuilder();
for (String s : countries) {
  exp.append(exp.length() == 0 ? "(" : "|");
  exp.append(s);
}
Pattern countryPattern = Pattern.compile(exp.append(")").toString());

并且，给定 countryPattern，您现在可以编写以下代码来遍历所有匹配项

Matcher m = countryPattern.matcher(aStringWithCountries);
while (m.find()) {
   System.err.println("Found country " + m.group(1));
}

【讨论】：

我认为您的意思是在末尾添加一个括号，而不是管道。

【解决方案3】：

如果您只是简单匹配（精确字符串匹配），那么实际上有比正则表达式更好的方法。有一个强大的字符串匹配算法叫做Aho-Corasick algorithm。所以你需要做的是创建 Aho-Corasick 树并用国名填充它。然后，您可以在文本中以最佳时间复杂度搜索这些国家。这里是 python implementation，我希望也有一些适用于 java 的。

【讨论】：