解析可能出现2次相同字符串的字符串

Question

我正在解析地址字符串，并发现有时街道名称包含的单词也是有效的城市名称。我希望确保城市名称的任何第二次出现总是与regex中的最后一个组匹配，并且regex中的第一个组被视为可选。

下面是一些示例输入：

123 SUNNYSIDE AVENUE BROOKLYN
59 MAIDEN LANE MANHATTAN
59 MAIDEN LANE MANHATTAN 10038
39-076 46 STREET SUNNYSIDE
39-076 46 STREET SUNNYSIDE 11104
59 MAIDEN LANE MANHATTAN NY USA

理想情况下，为这些函数返回的regex组如下所示：

(123 )(SUNNYSIDE)( AVENUE )(BROOKLYN)
(59 MAIDEN LANE )(null)(null)(MANHATTAN)
(59 MAIDEN LANE )(null)(null)(MANHATTAN)
(39-076 46 STREET )(null)(null)(SUNNYSIDE)
(39-076 46 STREET )(null)(null)(SUNNYSIDE)
(59 MAIDEN LANE )(null)(null)(MANHATTAN)

对于城市，我在regex组中有一个列表(本例中是简化的)，如下所示：

(MANHATTAN|BROOKLYN|SUNNYSIDE)

我的起始正则表达式如下：

(.*?)(?:\W*)(MANHATTAN|BROOKLYN|SUNNYSIDE)(?:.*)

当然，这会产生以下结果：

(123)(SUNNYSIDE)

我正在尝试扩展它以支持上面提到的情况，但是到目前为止我尝试匹配的1到2个城市总是匹配它找到的第一个城市作为最后一个组，而忽略其余的。

关于地址解析有很多特殊的问题，但现在我只专注于解决这一个特殊的情况。谢谢你的帮助！

Answer 1

您的示例输出令人困惑。第一行暗示您想要将街道地址分解为其单独的组成部分，但在其余行中，它全部捆绑在一起。我期望期望的结果是：

"123 SUNNYSIDE AVENUE", "BROOKLYN"
"59 MAIDEN LANE", "MANHATTAN"
"59 MAIDEN LANE", "MANHATTAN"
"39-076 46 STREET", "SUNNYSIDE"
"39-076 46 STREET", "SUNNYSIDE"
"59 MAIDEN LANE", "MANHATTAN"

...or：

"123", "SUNNYSIDE", "AVENUE", "BROOKLYN"
"59", "MAIDEN", "LANE", "MANHATTAN"
"59", "MAIDEN", "LANE", "MANHATTAN"
"39-076", "46", "STREET", "SUNNYSIDE"
"39-076", "46", "STREET", "SUNNYSIDE"
"59", "MAIDEN", "LANE", "MANHATTAN"

在这两种情况下，我都会将其与下面的正则表达式进行匹配：

^(\S+(?:\s+\S+)*)\s+(MANHATTAN|BROOKLYN|SUNNYSIDE)

第一组是贪婪的，因此它最初将消耗地址字符串中除最后一个单词之外的所有单词。如果最后一个单词不是城市名称(也就是说，它与(MANHATTAN|BROOKLYN|SUNNYSIDE)组不匹配)，第一组将一次“放弃”一个单词，直到第二组匹配。

假设字符串实际上包含一个城市名称，并且该名称包含在第二个组的子表达式中，则将在组#2中捕获该名称。组#1将包含整个街道地址；如果您希望像上面所示那样将其拆分，可以使用空格将其拆分。

编辑：这里有一些示例代码来演示。特别要注意使用find()而不是matches()。Java的matches()方法的行为让许多人感到惊讶，并认为这可能是这里的问题的一部分。简而言之，find()是我必须在正则表达式的开头添加^的原因，也是为什么我不必在末尾添加.*的原因。;)

String[] ss = {
    "123 SUNNYSIDE AVENUE BROOKLYN",
    "59 MAIDEN LANE MANHATTAN",
    "59 MAIDEN LANE MANHATTAN 10038",
    "39-076 46 STREET SUNNYSIDE",
    "39-076 46 STREET SUNNYSIDE 11104",
    "59 MAIDEN LANE MANHATTAN NY USA"
};

Pattern p = Pattern.compile("^(\\S+(?:\\s+\\S+)*)\\s+(MANHATTAN|BROOKLYN|SUNNYSIDE)");
Matcher m = p.matcher("");

for (String s : ss)
{
  if (m.reset(s).find())
  {
    System.out.printf("%naddr: '%s'%ncity: '%s'%n", m.group(1), m.group(2));
  }
}

输出：

addr: '123 SUNNYSIDE AVENUE'
city: 'BROOKLYN'

addr: '59 MAIDEN LANE'
city: 'MANHATTAN'

addr: '59 MAIDEN LANE'
city: 'MANHATTAN'

addr: '39-076 46 STREET'
city: 'SUNNYSIDE'

addr: '39-076 46 STREET'
city: 'SUNNYSIDE'

addr: '59 MAIDEN LANE'
city: 'MANHATTAN'

Answer 2

沿着这条路走下去就是疯狂。地址是无法解析的。在您的例子中，您可以告诉regex引擎，它只能匹配您的城市名称后面的邮政编码或字符串结尾。这应该是可行的：

^(.*?)\s+(MANHATTAN|BROOKLYN|SUNNYSIDE)\s*(\d*)$

Answer 3

考虑到您的示例集有点有限(考虑到地址可能有多复杂，在压缩到一行时会更复杂，在删除标点符号时会更复杂)，而且不知道如何使用所有这些内容，我认为您可能需要以下正则表达式：

^([\w -]*?)(MANHATTAN|BROOKLYN|SUNNYSIDE)(?:[ 0-9-]*)$

分解后，这个表达式说：

^                                # Assert at beginning
(                                # Capture the following
   [\w -]                        #    Match letters, numbers, [space]'s and hyphens
   *?                            #    ...any number of times, but be reluctant
)                                # <end capture>
(MANHATTAN|BROOKLYN|SUNNYSIDE)   # Capture one of these three strings
(?:                              # Match but do not group the following
   [ 0-9-]*                      #    [space]'s, numbers, and hyphens
)                                # <end match>
$                                # Assert end of line

这将捕获以下组：

(123 SUNNYSIDE AVENUE )     (BROOKLYN)
(59 MAIDEN LANE )           (MANHATTAN)
(59 MAIDEN LANE )           (MANHATTAN)
(39-076 46 STREET )         (SUNNYSIDE)
(39-076 46 STREET )         (SUNNYSIDE)

如果您实际上希望标识街道名称和类型(如SUNNYSIDE和AVENUE作为不同的组)，但仅当它们与城市名称相同时，则需要更复杂的表达式。

编辑：你的表达式，当分解时，说：

(.*?)                            # Match any character except newline, any number of times, but be reluctant
(?:\W*)                          # Match but do not group any non-word character, any number of times
(MANHATTAN|BROOKLYN|SUNNYSIDE)   # Match one of these three strings
(?:.*)                           # Match but do not group any number of characters except newline

您编写的表达式将匹配任何可能的内容，直到一个空格(非单词字符)，然后匹配空格，然后尝试将空格后面的内容与一个城市名称相匹配。如果这行得通，那么它就会匹配线路上的任何其他内容。如果它不起作用，它将返回并匹配前面提到的空格，然后匹配所有字符，直到下一个非单词字符。然后，它将匹配空格，并继续循环，直到找到一个城市名称。

围绕\W*的(?:)构造实质上是没有意义的，因为\W*是一个单一的匹配，重复了任意次。