使用 Java Regex，如何检查字符串是不是包含集合中的任何单词？

Posted 2023-02-22

【中文标题】使用 Java Regex，如何检查字符串是不是包含集合中的任何单词？

【英文标题】：Using Java Regex, how to check if a string contains any of the words in a set ?使用 Java Regex，如何检查字符串是否包含集合中的任何单词？

【发布时间】：2012-03-19 21:55:46

【问题描述】：

我有一组词说——苹果、橙子、梨、香蕉、猕猴桃

我想检查一个句子是否包含上面列出的任何单词，如果是，我想找到匹配的单词。如何在 Regex 中完成此操作？

我目前正在为我的每组单词调用 String.indexOf()。我假设这不如正则表达式匹配有效？

【参考方案1】：

我认为正则表达式不会在性能方面做得更好，但您可以按如下方式使用它：

Pattern p = Pattern.compile("(apple|orange|pear)");
Matcher m = p.matcher(inputString);
while (m.find()) 
   String matched = m.group(1);
   // Do something

【讨论】：

性能取决于正则表达式的长度。如果少于 1000 个字符，请继续。如果它更长，您需要其他解决方案。例如，将文本拆分为单独的单词，并根据预定义的哈希表/“已知”单词集检查它们。

@deporter 答案的目的是就如何解决问题提供一个很好的提示，而不是提供一个完美、闪亮、世界级的解决方案。它可以很容易地改进，就可读性而言，如果您有 200 个字符串（不使用正则表达式的另一个原因），您可以使用 for 循环并在 StringBuilder 中连接。我认为我的回答提供了足够的味道。

您的意思可能是“（苹果）|（橙色）|（梨）”。否则，您将匹配 applorangeear 或 applerangpear 之类的内容。

哼没有。对不起，但它就是这样工作的。您的解决方案也可以，但是您必须为每个单词使用不同的组

@GuillaumePolet 添加单词边界"\\b(apple|orange|pear)\\b"

【参考方案2】：

TL;DR 对于简单的子字符串contains() 是最好的，但对于只匹配整个单词正则表达式可能更好。

查看哪种方法更有效的最佳方法是对其进行测试。

您可以使用String.contains() 代替String.indexOf() 来简化您的非正则表达式代码。

要搜索不同的单词，正则表达式如下所示：

apple|orange|pear|banana|kiwi

| 在正则表达式中用作OR。

我非常简单的测试代码如下所示：

public class TestContains 

   private static String containsWord(Set<String> words,String sentence) 
     for (String word : words) 
       if (sentence.contains(word)) 
         return word;
       
     

     return null;
   

   private static String matchesPattern(Pattern p,String sentence) 
     Matcher m = p.matcher(sentence);

     if (m.find()) 
       return m.group();
     

     return null;
   

   public static void main(String[] args) 
     Set<String> words = new HashSet<String>();
     words.add("apple");
     words.add("orange");
     words.add("pear");
     words.add("banana");
     words.add("kiwi");

     Pattern p = Pattern.compile("apple|orange|pear|banana|kiwi");

     String noMatch = "The quick brown fox jumps over the lazy dog.";
     String startMatch = "An apple is nice";
     String endMatch = "This is a longer sentence with the match for our fruit at the end: kiwi";

     long start = System.currentTimeMillis();
     int iterations = 10000000;

     for (int i = 0; i < iterations; i++) 
       containsWord(words, noMatch);
       containsWord(words, startMatch);
       containsWord(words, endMatch);
     

     System.out.println("Contains took " + (System.currentTimeMillis() - start) + "ms");
     start = System.currentTimeMillis();

     for (int i = 0; i < iterations; i++) 
       matchesPattern(p,noMatch);
       matchesPattern(p,startMatch);
       matchesPattern(p,endMatch);
     

     System.out.println("Regular Expression took " + (System.currentTimeMillis() - start) + "ms");
   

我得到的结果如下：

Contains took 5962ms
Regular Expression took 63475ms

显然，时间会根据要搜索的单词数和要搜索的字符串而有所不同，但对于像这样的简单搜索，contains() 似乎比正则表达式快 10 倍左右。

通过使用正则表达式在另一个字符串中搜索字符串，您正在使用大锤来破解一个坚果，所以我想我们不应该对它的速度感到惊讶。当您要查找的模式更复杂时保存正则表达式。

您可能想要使用正则表达式的一种情况是，如果 indexOf() 和 contains() 无法完成这项工作，因为您只想匹配整个单词，而不仅仅是子字符串，例如你想匹配pear，而不是spears。正则表达式可以很好地处理这种情况，因为它们具有word boundaries 的概念。

在这种情况下，我们会将模式更改为：

\b(apple|orange|pear|banana|kiwi)\b

\b 表示只匹配单词的开头或结尾，括号将 OR 表达式组合在一起。

注意，在您的代码中定义此模式时，您需要使用另一个反斜杠来转义反斜杠：

 Pattern p = Pattern.compile("\\b(apple|orange|pear|banana|kiwi)\\b");

【参考方案3】：

这是我找到的最简单的解决方案（用通配符匹配）：

boolean a = str.matches(".*\\b(wordA|wordB|wordC|wordD|wordE)\\b.*");