java - 正则表达式匹配器防止重复搜索字符串

Question

我在这里安装了这个程序来搜索句子中的连词。 我做了一个数组:

public static final String[] SUB_CONJS = new String[] {
    "after", "afterwards", "although", "as if",
    "as long as", "as much as", "as soon as",
    "as though", "because", "before", "by the time",
    "even if", "even though", "if", "in order that"...
    //some more    
};

如您所见，有一些重复，例如“if”和“as if”

我使用匹配器来搜索它们:

String toSearch = "(?i)\\b(" + String.join("|", SUB_CONJS) + ")\\b";
Pattern pattern = Pattern.compile(toSearch);
Matcher matcher = pattern.matcher(text);
int count = 0;
while (matcher.find()) count++;

例如，如果我将 "as if" 放入 text 中，count 等于 2，因为匹配器搜索了 "if “ 和 “好像”。有解决问题的方法吗？谢谢

Answer 1

正如 Pshemo 所写，您的代码示例在测试字符串 "as if" 时返回所需的结果:1 个匹配。

这是因为“if”不是“as if”的前缀。事实上，除了 Pshermo 所说的之外，"if" 和 "as if" 在正则表达式中出现的顺序并不重要，因为它们不是彼此的前缀.

当您将“as”添加到列表中以“as”开头的其他术语之前时，事情会变得更加复杂。在这种情况下，正则表达式实际上“消耗”了“as”，而忽略了潜在的更长匹配。

通过在搜索之前对搜索词进行相应排序，可以轻松解决此问题:

Comparator<String> prefixesLast = (s1, s2) -> {
    if (s1.startsWith(s2)) return -1;
    if (s2.startsWith(s1)) return 1;
    return s1.compareTo(s2);
};

或者，为了更简单，只需按字符串顺序排序，但降序:

Comparator<String> descending = (s1, s2) -> return s2.compareTo(s1);

使用排序列表生成正则表达式应确保始终找到最长的匹配项。