优化段落找词答案

【问题标题】：Optimize Finding Words in Paragraph优化段落找词
【发布时间】：2018-07-17 01:21:55
【问题描述】：

我正在搜索段落中的单词，但长段落需要很长时间。因此，我想在段落中找到单词后将其删除，以减少必须经过的单词数。或者如果有更好的方法来提高效率，请告诉！

List<String> list = new ArrayList<>();
for (String word : wordList) {
    String regex = ".*\\b" + Pattern.quote(word) + "\\b.*"; 
    Pattern p = Pattern.compile(regex);
    Matcher m = p.matcher(paragraph);
    if (m.find()) {
        System.out.println("Found: " + word);
        list.add(word);
    }
}

例如，假设我的wordList 具有以下值"apple","hungry","pie"

而我的paragraph 是"I ate an apple, but I am still hungry, so I will eat pie"

我想在paragraph 中找到wordList 中的单词并消除它们以希望使上面的代码更快

【问题讨论】：

I want to remove the words ...您指的是哪个单词？您能否通过示例数据向我们展示您的意思？
@TimBiegeleisen 我进行了编辑以提供示例，对不起！
只需将正则表达式更改为String regex = "\\b" + Pattern.quote(word) + "\\b";，您的代码速度就会更快。虽然你有Pattern.quote，但它一定是String regex = "(?<!\\w)" + Pattern.quote(word) + "(?!\\w)";
好的，我得到了你需要的东西。尝试this code on your side，通过@Wiktor 的评论让我知道，如果可行，我将发布解释。如果单词列表中只有字母、数字或_s 组成的单词，则可以使用lighter version。
见ideone.com/xVFuGP。请参阅下面的答案。

标签： java regex string parsing matcher

【解决方案1】：

你可以使用

String paragraph = "I ate an apple, but I am still hungry, so I will eat pie";
List<String> wordList = Arrays.asList("apple","hungry","pie");
Pattern p = Pattern.compile("\\b(?:" + String.join("|", wordList) + ")\\b");
Matcher m = p.matcher(paragraph);
if (m.find()) {  // To find all matches, replace "if" with "while"
    System.out.println("Found " + m.group()); // => Found apple
}

请参阅Java demo。

正则表达式看起来像 \b(?:word1|word2|wordN)\b 并且会匹配：

\b - 单词边界
(?:word1|word2|wordN) - 非捕获组内的任何替代项
\b - 单词边界

由于你说单词中的字符只能是大写字母、数字和带斜线的连字符，它们都不需要转义，所以Pattern.quote在这里并不重要。此外，由于斜杠和连字符永远不会出现在字符串的开头/结尾，因此您不会遇到通常由\b 字边界引起的问题。否则，将第一个 "\\b" 替换为 "(?<!\\w)"，将最后一个替换为 "(?!\\w)"。

【讨论】：

这是一个很棒的答案，但是如果我这样做的话，它会找到每个单词的每个匹配项，它可以更进一步并且只找到每个单词的第一个匹配项吗？
另外，沉重的解决方案是让我内存不足，知道为什么吗？我正在使用 String builder 输出我知道不能占用内存
@dude8998 不，要么全部，要么来自该组的第一个。真实的生活场景是什么？
@dude8998 使用while 但add all matches to a set。
如果你想要不同的值，是的。

【解决方案2】：

我不太确定这是否是您所要求的，但 Java 有一个用于字符串类型的内置函数。

for (String word : wordList) {
    paragraph = paragraph.replaceAll(word,"");
}

请务必在您的单词中包含一个空格，以免留下两个空格。示例“foo”而不是“foo”

【讨论】：

在你的单词中包含一个空格 像“foo is a foo but not a foofoo or a barfoo and also failed on the end of sentence like foo”这样的段落呢？
paragraph.replaceAll("[ \.]*("+word+")[ \.]*"," "); Little Regex 从不伤害任何人。您需要添加所有标点符号，但我没有看到更好的方法来适应边缘情况。