在長字符串中查找模式？

Question

我有40KB的HTML頁面，我想找到它的某些模式。

我可以通過1K緩衝區讀取它，但我想避免這種情況，即我正在搜索的模式會在兩個緩衝區讀取之間分開。

如何克服這個問題？

Answer 1

這很簡單。您可以計算您要查找的最長模式，然後按照該數量回溯文件指針，或者滾動文件，只讀取增量。

想象一下最長的模式是26個字節。

1. 閱讀1k。
2. 檢查所有模式 - >無。
3. 從緩衝區中刪除1k - 26個字節。
4. 閱讀1000 - 從物流26個字節，並添加到您的緩衝區
5. 轉到2.

編輯：讓我澄清一下：有兩種方法可以做到這一點，兩者各有優劣。我上面記錄的一個最適合用於從流中讀取數據，這意味着不支持查找的數據源。但是，如果您的數據源確實支持尋找（如文件系統文件），那麼您可以輕鬆地使用搜索。檢查圖案，如果找不到，請回溯最長圖案的尺寸，然後從那裏開始。

但是，如果您希望支持搜索長度超過緩衝區大小的模式，則可能需要更聰明的算法。您需要一個包含當前「打開」的所有模式的查閱表，以便讀取更多數據，這反過來會花費更多的內存 - 您會遇到問題。

Answer 2

你可以看看CharBuffer，這只是這個目的

Answer 3

這就是Scanner類是什麼實現CharSequence。

Answer 4

爲什麼不使用SAX parser。它是建立處理大型文件的標記。如果您嘗試在同一級別的不同元素上進行匹配，您會遇到問題。然而，這不是不可能處理