java - 如何获得具有相同模式的所有字符串
问题描述
我有一个具有这种结构的 xml 文件
<expression>[Customer ].[Sales ].[L_MOIS]</expression><expression>cast_varchar([Customer ].[Sales ].[L_MOIS_ANNEE])
+ ' ' +
cast_varchar([Customer ].[Sales ].[C_ANNEE])</expression></dataItem></selection><detailFilters><detailFilter><filterExpression>[Customer ].[Sales ].[DT_JOUR] <= getdate()</filterExpression></detailFilter></detailFilters></query><query name="RSmag"><source><model /></source><selection><dataItem aggregate="none" name="Code magasin"><expression>[Customer statistics].[Stores].[C_MAGASIN]</expression></dataItem><dataItem aggregate="none" name="Libellé magasin" sort="ascending"><expression>[Customer statistics].[Stores].[L_MAGASIN]</expression></dataItem></selection><detailFilters><detailFilter><filterExpression>[Customer statistics].[Stores].[C_DEPOT] <>'500'</filterExpression></detailFilter><detailFilter><filterExpression>[Customer statistics].[Stores].[C_MAGASIN] not in ('005120';'005130';'005140')</filterExpression></detailFilter></detailFilters>
</query><query name="CAdept_avec_metier_cumul"><source><model /></source><selection><dataItem aggregate="none" name="Cod Metier" rollupAggregate="none"><expression>[Customer ].[Articles].[COD_DPTG]</expression></dataItem><dataItem name="Nombre de tickets" rollupAggregate="total">
<expression>count(distinct [Customer ].[Sales ].[ID_TICKET])</expression></dataItem><dataItem name="Nombre de tickets non affecté" rollupAggregate="total"><expression>count(distinct
(case
when [Customer ].[Sales ].[C_AFFECTATION] <> 1
then [Customer ].[Sales ].[ID_TICKET]
else null
end)
)</expression>
我想提取选项卡的所有名称,结果我应该有: [Customer ].[Sales ].[C_ANNEE] [Customer ].[Sales ].[DT_JOUR]
但现在我得到的是:
顾客
销售量
C_ANNEE
File f = new File("");
BufferedReader in = new BufferedReader(
new InputStreamReader(new FileInputStream(f), "UTF-8"));
String str;
while ((str = in.readLine()) != null) {
Matcher m = Pattern.compile("\\[(.*?)\\]").matcher(str);
while (m.find()) {
listres.add(m.group(1));
}
}
解决方案
将问题分成两个独立的部分:
1) 使用合适的 XML 解析器解析 XML 数据,提取我们想要的文本。
2)对于提取的文本字段,使用正则表达式提取所需的子字符串。
以下示例使用 SAX 解析器(顺便说一下,我使用的是 Java 13)。
假设我们有一个包含以下 XML 的文件:
<root>
<query name="RSmag">
<source>
<model />
</source>
<selection>
<dataItem aggregate="none" name="Code magasin">
<expression>
[Customer ].[Sales ].[L_MOIS]
</expression>
<expression>
cast_varchar([Customer ].[Sales ].[L_MOIS_ANNEE]) + ' ' + cast_varchar([Customer ].[Sales ].[C_ANNEE])
</expression>
</dataItem>
</selection>
<detailFilters>
<detailFilter>
<filterExpression>
[Customer ].[Sales ].[DT_JOUR] <= getdate()
</filterExpression>
</detailFilter>
</detailFilters>
</query>
<query name="RSmag">
<source>
<model />
</source>
<selection>
<dataItem aggregate="none" name="Code magasin">
<expression>
[Customer statistics].[Stores].[C_MAGASIN]
</expression>
</dataItem>
<dataItem aggregate="none" name="Libellé magasin" sort="ascending">
<expression>
[Customer statistics].[Stores].[L_MAGASIN]
</expression>
</dataItem>
</selection>
<detailFilters>
<detailFilter>
<filterExpression>
[Customer statistics].[Stores].[C_DEPOT] <> '500'
</filterExpression>
</detailFilter>
<detailFilter>
<filterExpression>
[Customer statistics].[Stores].[C_MAGASIN]
not in ('005120';'005130';'005140')
</filterExpression>
</detailFilter>
</detailFilters>
</query>
<query name="CAdept_avec_metier_cumul">
<source>
<model />
</source>
<selection>
<dataItem aggregate="none" name="Cod Metier" rollupAggregate="none">
<expression>
[Customer ].[Articles].[COD_DPTG]
</expression>
</dataItem>
<dataItem name="Nombre de tickets" rollupAggregate="total">
<expression>
count(distinct [Customer ].[Sales ].[ID_TICKET])
</expression>
</dataItem>
<dataItem name="Nombre de tickets non affecté" rollupAggregate="total">
<expression>count(distinct
(case
when [Customer ].[Sales ].[C_AFFECTATION] <> 1
then [Customer ].[Sales ].[ID_TICKET]
else null
end)
)
</expression>
</dataItem>
</selection>
</query>
</root>
请注意以下事项:
a) 我根据问题的样本数据进行了有根据的猜测,以创建一个有效的 XML 文档。
b) 我使用and转义了文本中的<
and>
符号。<
>
第 1 步 - 解析数据
此解决方案使用 SAX进行解析 - 有很多替代方案。
以下将读取输入文件的每一行,丢弃任何不是<expression>
或标签的<filterExpression>
标签。此设置可根据需要进行调整 ( watchedElements
)。
该代码收集每个标签内的文本,并通过删除换行符和额外的空格来清理它。
这为我们提供了一组 10 个文本字符串,如下所示:
[Customer ].[Sales ].[L_MOIS]
cast_varchar([Customer ].[Sales ].[L_MOIS_ANNEE]) + ' ' + cast_varchar([Customer ].[Sales ].[C_ANNEE])
[Customer ].[Sales ].[DT_JOUR] <= getdate()
[Customer statistics].[Stores].[C_MAGASIN]
[Customer statistics].[Stores].[L_MAGASIN]
[Customer statistics].[Stores].[C_DEPOT] <> '500'
[Customer statistics].[Stores].[C_MAGASIN] not in ('005120';'005130';'005140')
[Customer ].[Articles].[COD_DPTG]
count(distinct [Customer ].[Sales ].[ID_TICKET])
count(distinct (case when [Customer ].[Sales ].[C_AFFECTATION] <> 1 then [Customer ].[Sales ].[ID_TICKET] else null end) )
第 2 步 - 应用正则表达式
对于这些字符串中的每一个,我们使用正则表达式来查找我们想要的数据:
\[.*?\](\.\[.*?\])*
这将搜索一个开头的“[”,直到下一个“]”,并为零个或多个以句点分隔的后续“[”和“]”字符串重复此操作。
为了处理不需要的子匹配,我们只保留零组:
Matcher m = pattern.matcher(text);
while (m.find()) {
System.out.println("*** Matches found : " + m.group(0));
}
这给了我们以下 12 个结果:
[Customer ].[Sales ].[L_MOIS]
[Customer ].[Sales ].[L_MOIS_ANNEE]
[Customer ].[Sales ].[C_ANNEE]
[Customer ].[Sales ].[DT_JOUR]
[Customer statistics].[Stores].[C_MAGASIN]
[Customer statistics].[Stores].[L_MAGASIN]
[Customer statistics].[Stores].[C_DEPOT]
[Customer statistics].[Stores].[C_MAGASIN]
[Customer ].[Articles].[COD_DPTG]
[Customer ].[Sales ].[ID_TICKET]
[Customer ].[Sales ].[C_AFFECTATION]
[Customer ].[Sales ].[ID_TICKET]
完整的解决方案
import javax.xml.parsers.SAXParser;
import javax.xml.parsers.SAXParserFactory;
import org.xml.sax.Attributes;
import org.xml.sax.SAXException;
import org.xml.sax.helpers.DefaultHandler;
import java.util.Set;
import java.util.HashSet;
import java.util.regex.Pattern;
import java.util.regex.Matcher;
public class ParseFromFileUsingSax {
// Looks for an opening "[" followed by a closing "]" with an
// optional "." to string items together into one group.
Pattern pattern = Pattern.compile("\\[.*?\\](\\.\\[.*?\\])*");
public void parseUsingSax() {
try {
SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser saxParser = factory.newSAXParser();
// the tags we will inspect (all others will be skipped):
Set<String> watchedElements = new HashSet();
watchedElements.add("expression");
watchedElements.add("filterExpression");
DefaultHandler handler = new DefaultHandler() {
private boolean inElement = false;
private StringBuilder stringBuilder;
@Override
public void startElement(String uri, String localName, String name,
Attributes attributes) throws SAXException {
if (watchedElements.contains(name)) {
inElement = true;
stringBuilder = new StringBuilder();
}
}
@Override
public void characters(char[] buffer, int start, int length) throws SAXException {
if (inElement) {
stringBuilder.append(buffer, start, length);
}
}
@Override
public void endElement(String uri, String localName,
String name) throws SAXException {
if (watchedElements.contains(name)) {
inElement = false;
String extractedText = formatString(stringBuilder.toString());
System.out.println();
System.out.println("Extracted XML text : " + extractedText);
printMatches(extractedText);
}
}
};
saxParser.parse("C:/tmp/query_data.xml", handler);
} catch (Exception e) {
System.err.print(e);
}
}
private String formatString(String text) {
text = text.replaceAll("\\r\\n|\\r|\\n", " "); // remove newlines
text = text.replaceAll(" *", " "); // collapse multiple spaces
return text.trim(); // remove leading/trailing whitespace
}
private void printMatches(String text) {
Matcher m = pattern.matcher(text);
while (m.find()) {
System.out.println("*** Matches found : " + m.group(0));
}
}
}
推荐阅读
- node.js - React:CSRF Cookie 在生产中未定义,在本地工作
- amazon-web-services - 从 Kinesis 数据流到 Kinesis Firehose 到 S3 存储桶的 CloudFront 实时日志
- node.js - 尝试在 node.js 中制作一个简单的命令行习惯跟踪器,在更新和存储数据时遇到问题
- node.js - 使用 npm、npm install x --save 或 npm install --save x 安装软件包?
- html - 使用asp.net向表中添加数据
- java - 错误:JRE/JDK 版本和类文件版本之间的差异
- javascript - 获取此滑块以自动播放
- python - np.exp 的点积问题
- c++ - CPP中没有明显原因的奇怪输出
- android - Basic Jetpack Compose Codelab 的“找不到具有此名称的参数:items”