基于Regex的流模式匹配

Question

我想解析一个在Warc版本0.9中格式化的大型文本文件。这类文本的一个示例是这里。如果您查看它，您将发现整个文档由以下条目组成。

[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。这个代码有两个问题：

1. 找到匹配的东西很慢。
2. 只与第一页匹配。

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个页面条目？
• 是否有更快的方法以流的方式解析大文本？

Answer 1

我不会用正则表达式来处理这些庞大的HTML字符串。不如依靠文档的结构来代替呢？

例如：

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"

在上述代码中仍有改进的余地。但它应该给你一个如何开始的想法。