java - 正则表达式帮助或替代方法

Question

我有一个带有标签行的文件，如下所示。我有：

Pattern.compile("<(?:TIMEX TYPE|ENAMEX TYPE)=.+?>(.+?)</(?:TIMEX|ENAMEX)>");

如果两个标签都在一行上，这将获得我需要的数据。我的问题是处理以下几行：

<ENAMEX
TYPE="CITED">1</ENAMEX>

如果标签中间有裂痕，则无法正常工作。因此，我正在寻求改进我的正则表达式的帮助，或者与非标准 xml 标签一起使用的替代方法。

Answer 1

与其寻找 ' ' （单个空格），为什么不多次寻找任何空白？应该是'\s+'之类的东西。

Answer 2

您需要Pattern.DOTALL开关和空白 ( ) 的匹配项"\\s+"，而不是文字空间：

Pattern.compile("<(?:TIMEX\\s+TYPE|ENAMEX\\s+TYPE)=.+?>(.+?)</(?:TIMEX|ENAMEX)>", Pattern.DOTALL);

此开关的 javadoc 摘录解释了该DOTALL开关：

在 dotall 模式下，表达式 . 匹配任何字符，包括行终止符。

另请注意，尽管它的名称，Pattern.MULTILINE开关不会在这里帮助你。

Answer 3

只是举例给你一个替代方案。模式匹配之前的搜索替换可以帮助您。

    final static String NEWLINE = "\n";
    final static String SPACE = " ";

public static void main(String[] args) {

            String s = "<ENAMEX\n TYPE=\"CITED\">1</ENAMEX>";

    Pattern pattern = Pattern.compile("<(?:TIMEX TYPE|ENAMEX TYPE)=.+?>(.+?)</(?:TIMEX|ENAMEX)>");

            s = s.replaceAll(NEWLINE, SPACE);

            Matcher matcher = pattern.matcher(s);

    while (matcher.find()) {
        System.out.println("Start index: " + matcher.start());
        System.out.println("End index: " + matcher.end());
    }
}