在正则表达式上拆分并捕获Java中匹配的分隔符表达式？

Question

我正在尝试解析一个文本文件，该文件具有一系列以数字开头（后跟NBSP和1-2个空格）的“记录”，包含数百个字母和数字字符，跨行换行符，但不以任何可预见的结果结束。 识别记录结束的唯一方法是命中起始标记的下一个实例，可以通过以下正则表达式进行匹配：

\\d{1,4}\\u00A0\\s+ 

内容是手动输入的，带有不可预料的换行符，因此我将其删除。 那给我留了一根绳子。

1  blah blah blah  2  blah blah blah ... 875  blah blah blah 

由于我知道记录已结束的唯一方法是点击下一个记录ID，因此我尝试仅对上面的正则表达式进行拆分。 这样可以将文件正确地拆分为记录，但是却省略了我需要捕获的记录ID。 我检查了Java文档，但没有捕获被分割的动态值。 我尝试将记录号设为捕获组，但该数据未保留在结果数组中。

这个问题（ Java字符串正则表达式的拆分和捕获拆分部分 ）看起来很相似，但询问者知道每个文本片段的结尾； 而我只知道每个地方从哪里开始。

那么，有没有其他拆分方法，但可以通过拆分正则表达式保留文本匹配项？

谢谢

Answer 1

不要使用split() ，而是编写自己的regex循环，例如

String input = "...your input...";
Matcher m = Pattern.compile("\\d{1,4}\\u00A0\\s+").matcher(input);
int prev = 0;
while (m.find()) {
    String prevText = input.substring(prev, m.start());
    prev = m.end();
    String delimiter = m.group();
    // ... code here ...
}
String tailText = input.substring(prev); // text after last delimiter
// ... code here ...

Answer 2

如果您只想检查文本之后是否存在其他文本，但不将其他文本包含在匹配项中（例如检查foo之后是否为bar但不包含bar匹配项），则您正在寻找环视机制或更精确，正面的展望(?=...)

因此，让我们从split("(?=\\\\d{1,4}\\\ \\\\s+)") 。 这将在任何带有NBSP的1-4位数字序列之前和一些空格之前分割。 问题是这样的文本

1234[nbsp]___ 

描述地点（标有| ）

|1234[nbsp]___ 
1|234[nbsp]___ 
12|34[nbsp]___ 
123|4[nbsp]___ 

但是我们不想允许在数字之间进行分割。 我们必须增加条件以防止这种分裂。 因此，如果我们能说“在分割的位置之前不能有数字”，那将是很好的。 为此，我们可以在(?<!...)后面使用负向外观(?<!\\\\d) 。

所以最终的解决方案可能看起来像 ：

split("(?<!\\d)(?=\\d{1,4}\\u00A0\\s+)")