Question

假设我有一个正则表达式列表（从外部源读取 - 文件，数据库等）。我想检查字符串匹配哪些正则表达式。

我可以通过所有这些正则表达式创建迭代并匹配它们，但列表可能很大，这是一个关键操作。

我可以将所有这些正则表达式合并为一个（在它们之间），但问题是我只能识别第一个匹配的正则表达式，而不是全部。

另一个想法可能是为所有这些正则表达式创建一个自动机，并用相应正则表达式的索引标记最终状态。我正在查看http://cs.au.dk/~amoeller/automaton/，这个库似乎能够使用正则表达式和自动机，但不确定它是否可以扩展以解决我的问题。

你还有其他想法吗？

为了澄清一些评论，我添加了一个代码示例：

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class PatternTest {
    public static void main(String[] args) {
        Pattern p = Pattern.compile("(a(?:b|c)a)|((?:a|b)ba)|(ab(?:a|c))");     
        Matcher m = p.matcher("aba");
        System.out.println(m.matches());
        System.out.println(m.groupCount());
        for (int i = 0, n = m.groupCount(); i < n; i++) {
            System.out.println(m.group(i));
        }
    }
}

将打印出来

true
3
aba
aba
null

正如您所看到的那样，只有第一组匹配，而我找不到匹配其他两组的方法。

更多调查结果 - 使用上面的自动机库，问题将减少到以下几点：如果连接两个或多个自动机，如何识别哪个原始自动机对应的最终状态？

Answer 1

我实现了基于dk.brics.automaton的解决方案，你可以在这里找到它。 https://github.com/fulmicoton/multiregexp

Answer 2

对于确定的答案（如果有的话），我们需要更多信息，例如：

你说正则表达的列表是巨大的;你可以说得更详细点吗？成千上万的？百万？数十亿甚至数十亿？
谁写了这些正则表达式，他们知道他们在做什么吗？在将正则表达式添加到列表之前是否已经过彻底测试（正确性和性能）？
在示例代码中，您使用matches()方法，该方法需要正则表达式来描述整个字符串。就像正则表达式真的一样 \A(?:(a(?:b|c)a)|((?:a|b)ba)|(ab(?:a|c)))\z
匹配"aba"但不匹配"aaba"或"abaa"。如果您在使用Java之前已在其他工具或语言中使用了正则表达式，则此行为可能会让您感到惊讶。传统上，如果正则表达式描述字符串中的任何子串，甚至是零长度子字符串，则字符串总是被称为“匹配”正则表达式。要在Java中获得该行为，您必须使用Matcher的find()方法。
是否有任何常见因素可以从列表中的所有正则表达式中提取出来，例如最小或最大长度，公共子串或共享字符子集？例如，与您的某个示例模式匹配的任何字符串也必须与[abc]{3}匹配。如果有，你可能想要在严重匹配开始之前运行基于它们的过滤器（可能是正则表达式，也许不是）。（如果您使用的是Perl，我不会建议这样做，这是一个已经优化过的choc-a-bloc，但是Java并不自豪地接受一点帮助.☺）

但是我觉得很安全，建议你使用单独的正则表达式，而不是将它们连成一个。 Frankenregex不一定表现更好，故障排除将是一场噩梦！您可以预编译所有Pattern对象，并且可以提前创建Matcher对象并将其重用于所有匹配项，如下所示：

m.reset(s).usePattern(p);

这是一个demo。我无法做出任何保证（一方面，你仍然受到编写正则表达式的人的支配），但如果解决方案成为可能，我认为这是最有希望的方法。

Answer 3

dk.brics.automaton并不直接支持这一点，但您可以概括自动机（以及相关的自动机操作）的表示来区分不同类型的接受状态。首先，将一个int字段添加到State类，并在“接受”时使用此字段。已经确定了。

将多个正则表达式组合成一个自动机

3 个答案: