如何从Java中的字符串行提取特定术语？

Question

我在从每个字符串行提取术语时遇到了一个严重的问题。更具体地说，我有一个csv格式的文件，实际上不是csv格式（它只将所有术语保存到第[0]行）

下面是数千行字符串中的字符串行示例：

（split（）不起作用。！！！）

测试。csv

"31451  CID005319044    　　15939353　　    C8H14O3S2   　　　beta-lipoic acid　　   C1C[S@](=O)S[C@@H]1CCCCC(=O)O "
"12232 COD05374044 23439353　　C924O3S2 　　　saponin　　 CCCC(=O)O "
"9048 　 CTD042032　23241　　C3HO4O3S2　Berberine　 [C@@H]1CCCCC(=O)O "

我只想提取位于第5位的“β-硫辛酸”、“皂甙”和“小檗碱”。 你们可以看到术语之间有很大的空格，所以我说第五位

在这种情况下，如何为每行提取位于第5位的术语

还有一件事：六个术语之间的空格长度并不总是相等的。长度可以是一、二、三、四、五，或者类似的。 因为空格的长度是随机的，所以我不能使用.split()函数。 例如，在第一行中，我得到的是“β-硫辛酸”，而不是“β-硫辛酸”**

Answer 1

以下是使用字符串拆分和索引的问题解决方案

import java.util.ArrayList;

public class StringSplit {

    public static void main(String[] args) {
        String[] seperatedStr = null;
        int fourthStrIndex = 0;
        String modifiedStr = null, finalStr = null;
        ArrayList<String> strList = new ArrayList<String>();
        strList.add("31451  CID005319044    　　15939353　　    C8H14O3S2    beta-lipoic acid   C1C[S@](=O)S[C@@H]1CCCCC(=O)O ");
        strList.add("12232 COD05374044 23439353   C924O3S2   saponin       CCCC(=O)O ");
        strList.add("9048   CTD042032 23241 C3HO4O3S2  Berberine    [C@@H]1CCCCC(=O)O ");

        for (String item: strList) {
            seperatedStr = item.split("\\s+");
            fourthStrIndex = item.indexOf(seperatedStr[3])  + seperatedStr[3].length();
            modifiedStr = item.substring(fourthStrIndex, item.length());
            finalStr = modifiedStr.substring(0, modifiedStr.indexOf(seperatedStr[seperatedStr.length - 1]));
            System.out.println(finalStr.trim());
        }
    }
}

输出：

β-硫辛酸

皂甙

小檗碱

Answer 2

如果不是β-硫辛酸，这将是一个相对容易的修复方法

假设只有空格/制表符/其他空格分隔术语，则可以在空格上拆分

Pattern whitespace = Pattern.compile("\\s+");
String[] terms = whitespace.split(line); // Not 100% sure of syntax here...
// Your desired term should be index 4 of the terms array

虽然这将适用于你的大多数术语，但这也会导致你失去“β-硫辛酸”中的“酸”

另一个骇客的解决方案是在上面代码生成的数组中添加第6个点的检查，看看它是否匹配英文字母。如果是这样的话，你可以有理由相信第六个点实际上是第五个点的一部分，所以你可以把它们连在一起。不过，如果您与>；=三个字。大概是

Pattern possibleEnglishWord = Pattern.compile([[a-zA-Z]*); // Can add dashes and such as needed
if (possibleEnglishWord.matches(line[5])) {
    // return line[4].append(line[5]) or something like that
}

你可以尝试的另一件事是用一个空格替换所有的空格组，然后删除所有不仅仅由英文字母/破折号组成的空格

line = whitespace.matcher(line).replaceAll("");
Pattern notEnglishWord = Pattern.compile("^[a-zA-Z]*"); // The syntax on this is almost certainly wrong
notEnglishWord.matcher(line).replaceAll("");

希望剩下的就是你要找的术语

希望这能有所帮助，但我承认这相当复杂。其中一个问题是，非术语词之间似乎只有一个空格，这将愚弄Hirak提出的选项1。。。如果不是这样的话，这个选项应该有效

哦，顺便说一句，如果你最终这样做了，把模式声明放在任何循环之外。它们只需要创建一次

Answer 3

选项1：使用弹簧。拆分并检查多个连续空格。如下面的代码所示：

String s[] = str.split("\\s\\s+");
        for (String string : s) {
            System.out.println(string);
        }

选项2：通过浏览所有字符实现您自己的字符串拆分逻辑。下面的示例代码（此代码只是给出一个想法。我没有测试此代码。）

public static List<String> getData(String str) {
        List<String> list = new ArrayList<>();
        String s="";
        int count=0;
         for(char c : str.toCharArray()){
             System.out.println(c);
                if (c==' '){
                    count++;
                }else {
                    s = s+c;
                }
                if(count>1&&!s.equalsIgnoreCase("")){
                    list.add(s);
                    count=0;
                    s="";
                }
            }

        return list;
    }