java拆分MetaR/TAF

Question

我想将以下输入分为四部分：

-
KPDX 021453Z 16004KT 10SM FEW007 SCT060 BKN200 11/09 A3002 RMK
     AO2 SLP166 T01060094 55008
TAF AMD KPDX 021453Z 0215/0312 10005KT P6SM FEW006 SCT060 BKN150
     FM021800 11005KT P6SM SCT050 OVC100
     FM022200 11007KT P6SM -RA OVC050
     FM030500 12005KT P6SM -RA OVC035
KSEA 021453Z 15003KT 10SM FEW035 BKN180 11/09 A3001 RMK AO2
     SLP168 60000 T01110089 58010
TAF AMD KSEA 021501Z 0215/0318 14004KT P6SM SCT020 BKN150
     FM021800 16005KT P6SM SCT025 OVC090
     FM030100 19005KT P6SM OVC070
     FM030200 15005KT P6SM -RA OVC045
     FM030600 16007KT P6SM -RA BKN025 OVC045

这是一个梅塔，然后是塔夫，然后是梅塔，然后是塔夫

输入规则：

1. 机场代码可以更改，但应始终为3或4个字母
2. METARS将以机场代码或“SPECI”开头，后跟机场代码（SPECI KPDX）
3. TAFs将以机场代码或“TAF AMD”开头，后跟机场代码（TAF AMD KPDX）
4. 在任何报告中，机场代码后面都会有日期戳
5. 在TAF中，日期时间戳后面总是跟着有效时间（例如0215/0318）
6. 可能只有2份报告，也可能超过4份
7. 任何报告都可能只是一行

我想单独获取每个报告，所以我在以下代码中使用regex ^(\\w+.*?)(?:^\\b|\\Z)：

ArrayList<String> reports = new ArrayList<String>();
Pattern pattern = Pattern.compile( "^(\\w+.*?)(?:^\\b|\\Z)", Pattern.DOTALL|Pattern.MULTILINE );
Matcher matcher = pattern.matcher( input );
while( matcher.find() )
    reports.add( new String( matcher.group( 1 ).trim() ) );

效果很好，我得到了4个结果：

1：

KPDX 021453Z 16004KT 10SM FEW007 SCT060 BKN200 11/09 A3002 RMK
     AO2 SLP166 T01060094 55008

2：

TAF AMD KPDX 021453Z 0215/0312 10005KT P6SM FEW006 SCT060 BKN150
     FM021800 11005KT P6SM SCT050 OVC100
     FM022200 11007KT P6SM -RA OVC050
     FM030500 12005KT P6SM -RA OVC035

3：

KSEA 021453Z 15003KT 10SM FEW035 BKN180 11/09 A3001 RMK AO2
     SLP168 60000 T01110089 58010

4:

TAF AMD KSEA 021501Z 0215/0318 14004KT P6SM SCT020 BKN150
     FM021800 16005KT P6SM SCT025 OVC090
     FM030100 19005KT P6SM OVC070
     FM030200 15005KT P6SM -RA OVC045
     FM030600 16007KT P6SM -RA BKN025 OVC045

我遇到了一个例子，我的正则表达式失败了。有时，TAF生产线会运行太长，并且会被包装（我对此没有控制权），所以它可能看起来像（注意“TAF AMD PDX”正下方的“BKN150”）：

-
KPDX 021453Z 16004KT 10SM FEW007 SCT060 BKN200 11/09 A3002 RMK
     AO2 SLP166 T01060094 55008
TAF AMD KPDX 021453Z 0215/0312 10005KT P6SM FEW006 SCT060
BKN150
     FM021800 11005KT P6SM SCT050 OVC100
     FM022200 11007KT P6SM -RA OVC050
     FM030500 12005KT P6SM -RA OVC035
KSEA 021453Z 15003KT 10SM FEW035 BKN180 11/09 A3001 RMK AO2
     SLP168 60000 T01110089 58010
TAF AMD KSEA 021501Z 0215/0318 14004KT P6SM SCT020 BKN150
     FM021800 16005KT P6SM SCT025 OVC090
     FM030100 19005KT P6SM OVC070
     FM030200 15005KT P6SM -RA OVC045
     FM030600 16007KT P6SM -RA BKN025 OVC045

当这种情况发生时，我得到5个结果：

1：

KPDX 021453Z 16004KT 10SM FEW007 SCT060 BKN200 11/09 A3002 RMK
     AO2 SLP166 T01060094 55008

2：

TAF AMD KPDX 021453Z 0215/0312 10005KT P6SM FEW006 SCT060

3：

BKN150
     FM021800 11005KT P6SM SCT050 OVC100
     FM022200 11007KT P6SM -RA OVC050
     FM030500 12005KT P6SM -RA OVC035

4:

KSEA 021453Z 15003KT 10SM FEW035 BKN180 11/09 A3001 RMK AO2
     SLP168 60000 T01110089 58010

5:

TAF AMD KSEA 021501Z 0215/0318 14004KT P6SM SCT020 BKN150
     FM021800 16005KT P6SM SCT025 OVC090
     FM030100 19005KT P6SM OVC070
     FM030200 15005KT P6SM -RA OVC045
     FM030600 16007KT P6SM -RA BKN025 OVC045

有人能想出一个正则表达式来正确地拆分这个奇怪的案例吗？或者，在运行正则表达式之前，我可以尝试删除输入字符串中的问题换行符，但我不知道如何检测它

Answer 1

你可以用以字母开头的一行开头。然后收集至少一行，以五个空格开头（你可以很容易地将该条件放宽为至少一个空格字符或其他内容）。然后一直到下一行以单词字符开头

"^(\\w+.*?^[ ]{5}.*?)(?:^\\b|\\Z)"

空间周围的[]是不必要的，但为了可读性，我喜欢包含它们。如果您只想断言有一行以任何空格开头，请将[ ]{5}替换为\\s

请注意，您不必使用捕获组。前瞻将确保您在一个位置结束，该位置后面是一个新报告或文件的结尾：

"^\\w+.*?^[ ]{5}.*?(?=^\\b|\\Z)"

这会稍微更高效，并稍微清理以下代码（因为您可以使用完全匹配，而不是检索组）

更新：

为了适应单行报告的可能性（一般来说），更改结束条件^\\b以匹配新报告的开头更容易。根据评论中给出的格式说明，您可以使用：

"^\\w+.*?(?=^(?:SPECI\\s|TAF\\sAMD\\s)?[A-Z]{3,4}\\s\\d+Z|\\Z)"

这要求新报告以“可选规格”-“3或4个字母”-“时间戳”或“可选TAF AMD”-“3或4个字母”-“时间戳”开头