Java：匹配字符串中的短语

我在数据库和输入字符串中有一个短语列表（短语可能由一个或多个单词组成）。我需要找出哪些短语出现在输入字符串中。

在Java中是否有一种有效的方法来执行这种匹配？

一个快速的破解方法是：

1. 基于组合短语构建正则表达式
2. 构造一个集合，列出迄今为止尚未匹配的短语
3. 反复运行find直到找到所有短语或到达输入末尾，从要查找的剩余短语集中删除匹配项

这样，无论您提供多少个短语，输入都只会遍历一次。如果正则表达式编译器为多个替代方案生成有效的匹配器，那么这应该会产生不错的性能。然而，这在很大程度上取决于您的短语和输入字符串，以及 Java 正则表达式引擎的质量。

示例代码（已测试，但未针对性能进行优化或分析）：

public static boolean hasAllPhrasesInInput(List<String> phrases, String input) {
    Set<String> phrasesToFind = new HashSet<String>();
    StringBuilder sb = new StringBuilder();
    for (String phrase : phrases) {
        if (sb.length() > 0) {
            sb.append('|');
        }
        sb.append(Pattern.quote(phrase));
        phrasesToFind.add(phrase.toLowerCase());
    }
    Pattern pattern = Pattern.compile(sb.toString(), Pattern.CASE_INSENSITIVE);
    Matcher matcher = pattern.matcher(input);
    while (matcher.find()) {
        phrasesToFind.remove(matcher.group().toLowerCase());
        if (phrasesToFind.isEmpty()) {
            return true;
        }
    }
    return false;
}

一些注意事项：

• 上面的代码将匹配短语作为单词的子串。如果仅匹配完整的单词，则需要将单词边界（“\b”）添加到生成的正则表达式中。
• 如果某些短语可能是其他短语的子串，则必须修改代码。
• 如果需要匹配非 ASCII 文本，则应添加 regexp 选项Pattern.UNICODE_CASE并打电话toLowerCase(Locale)代替toLowerCase()，使用合适的Locale.