将regex与Java'；s TreeSet或Collections.BinarySearch

我正在尝试创建一个匹配程序，当为一个单词指定一些正则表达式时，比如“C[a-Z]T”，从一个单词列表中找到所有与该正则表达式匹配的单词。以我为例，匹配项是CAT、CUT、COT

我的目标是尽可能快地处理非常大的单词列表。我曾尝试使用Java的TreeSet实现，但搜索需要非常长的时间，因为我必须迭代树中的每个单词。即使在将列表放入树之前将其随机化，搜索速度也太慢

所以我的问题是，我可以使用internal Contains（），还是Java提供的其他数据结构可以与regex一起工作？谢谢

我正在考虑使用AVL或红黑“hashmap”（但不是真的），长度作为键，单词作为值。这意味着我需要允许多个相同的键，但每个键映射到不同的值。因此，我的get将返回一个值列表，而不是单个值。有没有什么地方可以找到这种数据结构的实现？或者至少是一个让我开始的基地。。我真的不想自己滚

以下是我目前的代码：

public class WordSearch {
    SortedSet<String> tree = new TreeSet<String>();
    List<String> list = new ArrayList<String>();

    public WordSearch(List<String> allWords) {
        // long seed = System.nanoTime();
        // Collections.shuffle(allWords, new Random(seed)); // randomize
        tree.addAll(allWords);
    }

    public List<String> solutions(String pattern, int max) {
        pattern = pattern.toLowerCase().toUpperCase();
        pattern = pattern.replace("*", "[A-Z]");
        Pattern find = Pattern.compile(pattern);
        int count = 0;
        ArrayList<String> result = new ArrayList<String>();
        Iterator<String> it = tree.iterator();
        while (count < max) {
            while (it.hasNext()) {
                String word = it.next().toLowerCase().toUpperCase();
                Matcher match = find.matcher(word);
                if (match.matches()) {
                    result.add(word);
                    count++;
                }
            }
            break;
        }
        return result;
    }
}

公共类单词搜索{
SortedSet树=新树集（）；
列表=新的ArrayList（）；
公共单词搜索（列出所有单词）{
//长种子=System.nanoTime（）；
//Collections.shuffle（allWords，newrandom（种子））；//随机化
tree.addAll（allWords）；
}
公共列表解决方案（字符串模式，int max）{
pattern=pattern.toLowerCase（）.toUpperCase（）；
模式=模式。替换（“*”，“[A-Z]”）；
Pattern find=Pattern.compile（Pattern）；
整数计数=0；
ArrayList结果=新建ArrayList（）；
迭代器it=tree.Iterator（）；
同时（计数<最大值）{
while（it.hasNext（））{
String word=it.next（）.toLowerCase（）.toUpperCase（）；
Matcher match=find.Matcher（word）；
if（match.matches（））{
结果：添加（word）；
计数++；
}
}
打破
}
返回结果；
}
}

如果您事先知道您的正则表达式/模式，您可以构建类似bloom过滤器的东西，但这与构建

集合

没有什么区别，比如

匹配模式0

，

匹配模式1

，等等，而数据库的索引基本上就是这样工作的。您可能还需要一个前缀树

在您的情况下，数据结构唯一有帮助的方法是对正则表达式进行锚定，即指定第一个或最后一个字符或字符范围。否则，无论如何，您必须检查整个数据结构。基本上，

^C[A-Z]T$

案例非常具体，没有人为此构建优化的数据结构

---

如果你觉得自己很聪明并且非常需要这个，那么最好的方法是将

模式

转换为“min”和“max”，因此

CAT

和

D

，然后使用

SortedSet.subSet

，并对结果应用过滤器。但实际上，这种优化很少起作用。

如果您事先知道您的正则表达式/模式，您可以构建类似bloom过滤器的东西，但这与构建

集合

如

匹配模式0

，

匹配模式1

等并没有多大区别。，这就是数据库索引的基本工作原理。您可能还需要一个前缀树

在您的情况下，数据结构唯一有帮助的方法是对正则表达式进行锚定，即指定第一个或最后一个字符或字符范围。否则，无论如何，您必须检查整个数据结构。基本上，

^C[A-Z]T$

案例非常具体，没有人为此构建优化的数据结构

如果你觉得自己很聪明并且非常需要这个，那么最好的方法是将

模式

转换为“min”和“max”，因此

CAT

和

D

，然后使用

SortedSet.subSet

，并对结果应用过滤器。但实际上，这种优化很少奏效