Java/Talend 根据条件分解字符串并清理数据

Question

我有一个原始数据字符串列表。每个字符串可能包含 Talend 7 中的公司名称 + 压力地址 + 城市 + 省份。它们在字符串中用竖线分隔。

总行数为 200,000。

我想以有效的方式提取和分离公司名称。问题是该管道以公司名称不规则地存在。

以下是每个字符串可以包含的一些示例:

1. “Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3”
2. “”
3. “健康与保健中心|多伦多大学|214 College Street, Room 111|Toronto ON M5T 2Z9”
4. “沃尔默路 400 号|125 号套房|多伦多 ON M5P 2X7”
5. “病童医院|重症医学科|二楼中庭，2830室|555大学大道|多伦多ON M5G 1X8”

我正在考虑使用 tJava 或 tJavaRow，并编写一些 java 代码，使用 contains 方法我可以检查字符串是否包含以下单词之一:Avenue、Ave、Road、Rd、Street 和 St. except if这些词之前有空格。

这是我的问题:找到哪条记录具有街道地址后，我需要知道街道地址之前是否存在任何管道，如果有，有多少？这样我就可以将它们合并为公司名称。

示例:

“Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3”在街道地址 10 Trench St. 之前只有一根管道，因此公司名称为 麦肯齐健康

“Health and Wellness Center|University of Toronto|214 College Street, Room 111|Toronto ON M5T 2Z9”街道地址前有两个管道，所以公司名称是: 多伦多大学健康与保健中心

“400 Walmer Road|Suite 125|Toronto ON M5P 2X7”前面没有管道，因此没有任何名称

“病童医院|重症医学科|2楼中庭，2830室|555大学大道|多伦多ON M5G 1X8” 在它之前有三个管道，但在子字符串中，在它之前，有词室。所以该公司的名称是病童医院重症医学科。

也欣赏任何想法和/或新解决方案

Answer 1

您可以在 Talend 例程中基于使用捕获组的模式匹配创建 Java 方法(可以在 tMap 组件或其他地方调用)。

https://www.tutorialspoint.com/javaregex/javaregex_capturing_groups.htm

就您而言，您可以使用以下 RegEx 示例(似乎可以解决给出的 5 个示例):

此正则表达式按最后一次出现进行分组(从右开始):

^(.*\|)*((?i).*(room|st.|street|road|avenue).*\|(?-i).*)$

我已经通过 https://regex101.com/ 测试了正则表达式。第 1 组是您的公司名称，第 2 组是您的地址。您可以在进一步处理中删除不需要的管道。

此正则表达式按第一次出现进行分组(从左开始):

^((((?!room|street|st.|road|avenue).)*\|)|)*((?i).*(room|street|st.|road|avenue).*\|(?-i).*)$.

第 2 组和第 4 组现在拥有数据。

注意:所有积分均归Mo2s所有，我只是将他的答案从评论复制到此处，希望对其他人有用。

已修复:正则表达式中存在星号字符问题，与 stackoverflow 标签混淆。

希望对您有用。如果您需要更多帮助，请告诉我。