如何从没有常量清除器的文本行中提取字段?

对我来说,似乎有3个元字段:

3/3/2010 11:32:38 AM 39, Eldrin           BASEMENT-IN          
3/3/2010 11:32:47 AM                      BASEMENT-IN 

MF1: 3/3/2010 11:32:38 AM

MF2: 39, Eldrin

MF3: BASEMENT-IN

其中mf2是可选的。我的分隔符是:

MF1至[上午下午]

MF2号,地下室除外-*

MF3地下室-*

我不太擅长正则表达式,但我会将这三个组提取为

(anything)(AM|PM)(number,anything)?(BASEMENT-anything)

在哪里?表示可选组。

好吧,您可以按列号删除日期和basement-foo数据,因为它们总是出现在行中的同一点上。然后,可以基于逗号拆分其余部分。是否需要处理转义逗号,或引号“foo,bar”中的逗号取决于您和您的业务需求。

你可以做到:

• 以字符串形式读取整行。
• 在空格(\s+)上拆分读取行。你应该买5到6件。
• 第0段、第1段和第2段将是 日期、时间和上午/下午。
• 检查第3段是否有编号:如果有 然后读下一篇文章作为名字
• 最后一块是地下室的东西。
• 把这些片段从字符串转换成 日期,时间,需要的时间。

找出每行空白字符与非空白字符相邻的列,然后对这些数字进行统计分析:每行或几乎每行出现的数字很可能是字段边界。

类似地,对于与字母相邻的标点符号,但一般来说,不可能猜测a-或a是否意味着要分隔字段。如果它出现在每一行的同一位置,它可能是一个分隔符,但在诸如d-fl r-tx d-ny之类的列表中,它可能不是。因此,对于任意数据不可能有完全自动的解决方案。

由于每个字段都是非常不同的(至少在上面粘贴的示例中如此),因此可以执行以下操作:

1. 将字符串拆分为标记。
2. 通过regex模式运行标记化数组的每个元素。

你可以使用 Strtokenizer 从commons lang并指定要拆分的多个分隔符:

有许多内置类型通过 StrMatcher .

StrTokenizer(char[] input, StrMatcher delim) 

例如

StrMatcher delims = StrMatcher.charSetMatcher(new char[] {' ', ',', '\n'});
StrTokenizer str = new StrTokenizer(match.toString(), delims);
while (str.hasNext()) {
    System.out.println("Token:[" + str.nextToken() + "]");
}

将给出(从上面的示例中):

Token:[3/3/2010]
Token:[11:00:46]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:04:04]
Token:[AM]
Token:[2]
Token:[YaserAlNaqeb]
Token:[BASEMENT-OUT]
Token:[3/3/2010]
Token:[11:04:06]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:04:18]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:14:32]
Token:[AM]
Token:[4]
Token:[Dhileep]
Token:[BASEMENT-OUT]
Token:[3/3/2010]
Token:[11:14:34]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:14:41]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:15:33]
Token:[AM]
Token:[4]
Token:[Dhileep]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:15:42]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:15:42]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:30:22]
Token:[AM]
Token:[34]
Token:[KumarRaju]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:31:28]
Token:[AM]
Token:[39]
Token:[Eldrin]
Token:[BASEMENT-OUT]
Token:[3/3/2010]
Token:[11:31:31]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:31:39]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:32:38]
Token:[AM]
Token:[39]
Token:[Eldrin]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:32:47]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:32:47]
Token:[AM]
Token:[BASEMENT-IN]
Token:[3/3/2010]
Token:[11:33:26]
Token:[AM]
Token:[34]
Token:[KumarRaju]
Token:[BASEMENT-OUT]
Token:[3/3/2010]
Token:[11:33:28]
Token:[AM]
Token:[BASEMENT-IN]