3

我想解析一个以 Warc 0.9 版格式化的大文本文件。此类文本的示例在此处。如果您查看它，您会发现整个文档由以下条目列表组成。

[Warc Headers]

[HTTP Headers]

[HTML Content]

我需要从每个条目中提取 URL 和 HTML 内容（请注意，示例文件由多个页面条目组成，每个条目的格式都与上面的内容类似。）

我在 Java 中使用了以下正则表达式：

Pattern.compile("warc/0\\.9\\s\\d+\\sresponse\\s(\\S+)\\s.*\n\n.*\n\n(.*)\n\n", Pattern.DOTALL)

其中第 1 组和第 2 组分别代表 URL 和 HTML 内容。这段代码有两个问题：

  1. 找到匹配项非常慢。
  2. 仅与第一页匹配。

Java 代码：

if(mStreamScanner.findWithinHorizon(PAGE_ENTRY, 0) == null){
    return null;
} else {
    MatchResult result = mStreamScanner.match();
    return new WarcPageEntry(result.group(1), result.group(2));
}

问题：

  • 为什么我的代码只解析第一页条目？
  • 有没有更快的方法以流方式解析大文本？
4

1 回答 1

0

我不会用正则表达式处理这些巨大的 HTML 字符串。相反，依赖文档的结构怎么样？

比如像这样：

HashMap<String, String> output = new HashMap<>();
Pattern pattern = Pattern.compile("^warc\\/0\\.9\\s\\d+\\sresponse\\s(\\S+)\\s.*");

try (InputStreamReader is = new InputStreamReader(new FileInputStream("excerpt.txt"), "UTF-8")) {               
    try (BufferedReader br = new BufferedReader(is)) {      
        String line;        
        while ((line = br.readLine()) != null) {
            Matcher matcher = pattern.matcher(line);

            if (matcher.matches()) {
                entityLoop: while (true) {
                    String url = matcher.group(1);

                    // skip header
                    int countEmptyLines = 0;
                    while ((line = br.readLine()) != null) {
                        if ("".equals(line)) {
                            countEmptyLines++;
                            if (countEmptyLines == 2) break;
                        }
                    }

                    // extract HTML
                    StringBuilder sb = new StringBuilder();
                    while ((line = br.readLine()) != null) {
                        matcher = pattern.matcher(line);
                        if (matcher.matches()) { 
                            // got all HTML; store our findings
                            output.put(url, sb.toString());
                            continue entityLoop; 
                        }
                        sb.append(line);
                    }
                    break; // no more url/html-entities available
                }
            }
        }
    }       
} catch (IOException e) {
    // do something smart
}

// now all your extracted data is stored in "output"

上述代码仍有改进空间。但它应该让您了解如何开始。

于 2016-01-14T18:50:56.913 回答