Java：从列表中解析文本中的单词（缩写、缩写等）

鉴于：

• 文本（可选，带有HTML标记）
• 包含缩写和首字母缩略词的数据库表（如“etc.”、“s.o.”、…）

目标：

• 构建一个解析器，用于查找给定文本中的所有匹配项
• 构建一个小型gui，让用户选择找到的事件是否匹配（这将根据需要进行调整）
• 用户可以选择忽略匹配项（还必须标记为“待忽略”）
• 用特殊的XML构造替换任何可接受的事件

我的主要问题是解析器，我提到GUI只是为了提供一个完整的概述

该任务是构建一个解析器，用于分析e.x.的文本（首字母缩略词），并将其标记以供以后进行后处理。任何“标记”都必须以XML标记的形式出现，因为周围的环境不接受任何其他内容（我们在CMS的DOM编辑器中，以“Spirit”；）结尾）

有人对图书馆有什么建议吗？或者有人建造了类似的东西吗？您或您将如何处理以下事项：

• 两个或多个单词是一个实体
• fullstop-您正在寻找的句子或标记的一部分
• 迭代替换-用户接受第一次出现-即时替换还是缓冲

---

任何想法、图书馆提示、维基百科文章，无论什么——都是有帮助的。我没有发现任何相关的问题能够回答上述所有方面。

我已经读到了很多好东西，如果我有一个类似的项目，我会先看看这个。它可以索引源文档并帮助查找所有出现的首字母缩略词（如果我没有弄错的话，这就是“解析”步骤的结果）。

我读了很多关于首字母缩略词的好东西，如果我有一个类似的项目，我会先看看这个。它可以为源文档编制索引，并帮助查找所有出现的首字母缩写词（如果我没有弄错的话，这就是“解析”步骤的结果）。

使用某种类型的SAX解析器，该解析器在输入上运行。对于您暂停解析的每一次点击，请在gui中显示，并让用户选择要执行的操作。解析时，在后台构建DOM树

每次用户替换某物时，您都会替换DOM树中的给定元素（您知道它是哪个元素，因为您持有用户需要对其作出反应的元素）

---

当整个东西被解析和替换时，您只需打印出DOM树。

使用某种SAX解析器，该解析器在输入上运行。对于您暂停解析的每一次点击，请在gui中显示，并让用户选择要执行的操作。解析时，在后台构建DOM树

每次用户替换某物时，您都会替换DOM树中的给定元素（您知道它是哪个元素，因为您持有用户需要对其作出反应的元素）

---

---

当整个事件被解析和替换时，您只需打印出DOM树。

是的，这是解析步骤的目标，但我必须一步一步地标记/替换出现的事件。这意味着第一次出现的“e.x.”可能未被触及，但第二次出现将被替换。这取决于用户的选择，用户可以单击每次点击旁边的复选框。我不知道lucene有多好，有没有可能突出显示发生的事件，然后在文本中找到它们的位置？lucene是一个搜索引擎。它不接触文本（突出显示），而是创建一个单词索引。然后，您可以使用该索引获取搜索结果的位置，并使用这些位置（和长度）对源文本应用一些突出显示/标记。是的，这是解析步骤的目标，但我必须一步一步地标记/替换出现的内容。这意味着第一次出现的“e.x.”可能未被触及，但第二次出现将被替换。这取决于用户的选择，用户可以单击每次点击旁边的复选框。我不知道lucene有多好，有没有可能突出显示发生的事件，然后在文本中找到它们的位置？lucene是一个搜索引擎。它不接触文本（突出显示），而是创建一个单词索引。然后，您可以使用该索引获取搜索结果的位置，并可以使用这些位置（和长度）对源文本应用一些突出显示/标记。SAX解析器是一个很好的方向，但OP需要查找首字母缩写词。解析器将为标记之间的任何内容报告一个文本（CDATA？）元素，但我们需要解析该块的内容以找到首字母缩写词。在这里，您可以使用Lucene或类似的东西，并动态操作元素的数据。Lucene非常适合搜索，一旦配置好，应该也适用于这个应用程序。它的索引部分可能有些过分，但我不知道检索到的文本数据的大小。从5到500个单词，很少超过500个，但总是少于1000个。@Mario then Lucene是最好的选择，否则你需要自己实现它，这只是浪费工作：）SAX解析器是一个很好的方向，但是OP需要找到首字母缩略词。解析器将为标记之间的任何内容报告一个文本（CDATA？）元素，但我们需要解析该块的内容以找到首字母缩写词。在这里，您可以使用Lucene或类似的东西，并动态操作元素的数据。Lucene非常适合搜索，一旦配置好，应该也适用于这个应用程序。它的索引部分可能有点过分，但我不知道检索到的文本数据的大小。从5到500个单词，很少超过500个，但总是少于1000个。@Mario那么Lucene是一个不错的选择，否则你需要自己实现它，这只是浪费工作：）你为什么需要一个解析器来完成这项工作？你只需要一个lexer/扫描仪，对吗？你不会看句法结构，只会看单词。嗯，如果连词、字母和数字的组合对你来说不是句法，是的；）但是你很清楚你要找的代币，你不会去的