用于大型列表的正则表达式优化

我正在比较两个字符串列表以查找可能的匹配项。例如：用于大型列表的正则表达式优化

public class Tester { 

    public static void main(String[] args) { 

     List<String> test = new ArrayList<String>(); 
     List<String> test2 = new ArrayList<String>(); 

     test.add("3H0875AAAA0012"); 
     test.add("3H0875AABB0018"); 
     test.add("3H0875AAAC0010"); 
     test2.add("3H0875AA"); 


     for(String s2: test2){ 
      for (String s: test){ 
       if (s.matches(".*" + s2 + ".*")){ 
        System.out.println("Match"); 
       } 
      } 
     } 
    } 
}

基本上在test2我想看看是否有test包含test2完全或部分的任何字符串每个字符串。上面的代码的输出应该是：

Match 
Match 
Match

然而，在我的真实情况是我在测试225K左右的字符串和TEST2 5K左右的字符串。这种比较需要很长的时间，并且希望看看是否有可能优化比较。测试2中的第一个1.5K项目需要大约10分钟的时间。所以完成比较至少需要30到40分钟。

在此先感谢

来源

2014-04-09 Wilo Maldonado

我认为你不应该使用正则表达式为是：我认为，寻找到String#contains（这里是一个link to its javadoc entry）会给你更好的结果，在性能方面;）

例如，您的代码可能是：

for(final String s2: test2){ 
    for (final String s: test){ 
     if(s.contains(s2)) { 
      System.out.println("Match"); 
     } 
    } 
}

来源

2014-04-09 02:23:02 ccjmne

这是您忘记尝试最简单解决方案的日子之一 –

恕我直言方法，如String.matches(String)应该被禁止。也许你需要一个正则表达式匹配，也许不是，但是这里发生的是，你的字符串被一次又一次地编译成一个正则表达式。

所以，你自己一个忙，然后通过Pattern.compile转换成正则表达式，然后重用它们。

看看你的".*" + s2 + ".*"，我敢打赌你根本不需要任何正则表达式。只需使用String.contains并享受速度。

来源

2014-04-09 02:19:53 maaartinus

在这种情况下，您绝对应该创建一个对象，并在每次循环迭代中使用该单个对象。您目前正在每个循环迭代中创建一个新的匹配器（并编译一个新的Pattern）。

在你的代码的顶部，这样做：

//"": Unused to-search string, so the matcher object can be reused 
Matcher mtchr = Pattern.compile(".*" + s2 + ".*").matcher("");

然后在你的循环，这样做：

if(mtchr.reset(s).matches()) { 
    ...

但我会用@maaartinus这里同意，并说，根据您的要求，您根本不需要regex，而可以使用indexOf(s)，或者甚至更好的contains(s)，因为您似乎不需要生成的索引。

无论如何，这个重用匹配器的概念是无价的。

来源

2014-04-09 02:20:28 aliteralmind

而不是

s.matches(".*" + s2 + ".*")

可以使用

s.contains(s2)

或

s.indexOf(s2) > -1

我测试的两种，各为约35倍比matches更快。

来源

2014-04-09 03:01:57 Andrey

用于大型列表的正则表达式优化

回答

相关问题