[Java] convertire String --> String[]

[Emaborsa]

Ho usato PDF Box per convertire da PDF a String.
La String in questione è molto lunga e va a capo automatico.
Come faccio a convertirla in un String[]? di solito uso split(), però che ci metto come parametro? per la riga nuova esiste un parametro?

[deadlyomen17]

Originariamente inviato da Emaborsa

Ho usato PDF Box per convertire da PDF a String.
La String in questione è molto lunga e va a capo automatico.
Come faccio a convertirla in un String[]? di solito uso split(), però che ci metto come parametro? per la riga nuova esiste un parametro?

va benissimo split, come parametro basta passargli il carattere di fine linea \n

es:

Codice PHP:

String text = "prima riga\nseconda riga\nterza riga";
String[] strings = text.split("\n");
for( int i = 0; i < strings.length; i++ ) {
    System.out.println( "string[" + i + "] = " + strings[i] );
} 


output:

string[0] = prima riga
string[1] = seconda riga
string[2] = terza rigaa

[Emaborsa]

...sto riscrivendo gran parte del programma. Non ho ancora provato ma sono sicuro che funzioni. In effetti sapevo del "\n", ma non mi ricordavo.
Ti faccio sapere;
grazie.

[Emaborsa]

Come presumevo, funziona. Ora il problema è un altro. Dopo aver fatto il lavoro descritto sopra, con il metodo println() a video mi ritrovo parte dell'array:

[1] V. R. Basili, L. C. Briand, and W. L. Melo. A validation of
Trans. Softw. Eng., 22(10):751–761, 1996.

Usando poi JDomWriter per creare un Xml, lui mi scrive:

[1] V. R. Basili, L. C. Briand, and W. L. Melo. A validation of
Trans. Softw. Eng., 22(10):751–761, 1996.

QUesto 
 presumo sia l'interruzione di linea. C'è modo di eliminarlo?

[deadlyomen17]

Originariamente inviato da Emaborsa

Come presumevo, funziona. Ora il problema è un altro. Dopo aver fatto il lavoro descritto sopra, con il metodo println() a video mi ritrovo parte dell'array:

[1] V. R. Basili, L. C. Briand, and W. L. Melo. A validation of
Trans. Softw. Eng., 22(10):751–761, 1996.

Usando poi JDomWriter per creare un Xml, lui mi scrive:

[1] V. R. Basili, L. C. Briand, and W. L. Melo. A validation of
Trans. Softw. Eng., 22(10):751–761, 1996.

QUesto 
 presumo sia l'interruzione di linea. C'è modo di eliminarlo?


 è il carriage return

non ho ben capito cosa vuoi fare e cosa stai facendo.

spiega meglio e cercherò di aiutarti

[Kenger]

Immagino che il problema sia che sotto windows il ritorno a capo è \r\n mentre sotto linux è solo \n (o il contrario, non ricordo mai).
Io fossi in te farei un string.replace("\r", ""); e poi lo split.

[Emaborsa]

Originariamente inviato da deadlyomen17


 è il carriage return

non ho ben capito cosa vuoi fare e cosa stai facendo.

spiega meglio e cercherò di aiutarti

OK,
ho parsato un PDF con PdfBox ed ho così ottenuto una Stringa con dentro (quasi) tutto il PDF. Essendo interessato alle referenze a fondo pagina, ho dovuto scrivere del codice che andasse a prendere solo determinate righe. Avendo una stringa unica, mi era difficile trovare ed estrarre le referenze, perciò ho prima fatto lo split come spiegato nei primi post per avere un array di stringhe e poi sono andato in cerca delle referenze in base all'inizio di ognuna stringa.

[Emaborsa]

Originariamente inviato da Kenger

Immagino che il problema sia che sotto windows il ritorno a capo è \r\n mentre sotto linux è solo \n (o il contrario, non ricordo mai).
Io fossi in te farei un string.replace("\r", ""); e poi lo split.

...dato che usavo lo "\n" per fare lo split...se faccio prima il replaceAll(), poi come faccio a fare lo split?

[Kenger]

Originariamente inviato da Emaborsa

...dato che usavo lo "\n" per fare lo split...se faccio prima il replaceAll(), poi come faccio a fare lo split?

Il replace lo fai sul \r non sul \n

[Emaborsa]

Originariamente inviato da Kenger

Il replace lo fai sul \r non sul \n

Funziona, però non ho capito perchè. Puoi spiegarmi con precisione?

[deadlyomen17]

Originariamente inviato da Emaborsa

OK,
ho parsato un PDF con PdfBox ed ho così ottenuto una Stringa con dentro (quasi) tutto il PDF. Essendo interessato alle referenze a fondo pagina, ho dovuto scrivere del codice che andasse a prendere solo determinate righe. Avendo una stringa unica, mi era difficile trovare ed estrarre le referenze, perciò ho prima fatto lo split come spiegato nei primi post per avere un array di stringhe e poi sono andato in cerca delle referenze in base all'inizio di ognuna stringa.

fin qui tutto chiaro.
Dopo ciò il tuo scopo è creare un XML in cui mettere soltanto le referenze?

Che struttura deve avere questo XML?

Per arrivare ad avere, a partire da un'unica stringa, soltanto l'ultima parte con le referenze, potresti usare un altro metodo:

ottieni l'indice della prima referenza tramite il metodo

int java.lang.String.indexOf(String  str)

passandogli una stringa che identifica la prima referenza (nell'esempio che hai postato, puoi passargli "[1]")

salvi la sottostringa che va dall'indice appena trovato fino alla fine della stringa, tramite il metodo

String  java.lang.String.substring(int beginIndex, int endIndex)

splitti questa stringa usando un parametro che identifica la fine di una referenza e l'inizio di un'altra (se per esempio dopo ogni referenza di sono due endline, come avviene di solito, puoi usare \n\n (o forse nel tuo caso \n\r\n\r) come parametro).

in questo modo ottieni un array di stringhe in cui ogni stringa è una referenza intera (con eventuali endline singoli, come nel tuo esempio)

a questo punto puoi rimuovere gli endline all'interno di ogni referenza usando il metodo:

String  java.lang.String.replaceAll(String  regex, String  replacement)

a cui passi come regex "\n\r" e come replacement uno spazio " "

il risultato finale sarà un array in cui ogni stringa è esattamente una referenza, rappresentata come unica linea, che puoi inserire in un XML senza problemi.

[Emaborsa]

Originariamente inviato da deadlyomen17

fin qui tutto chiaro.
Dopo ciò il tuo scopo è creare un XML in cui mettere soltanto le referenze?

Che struttura deve avere questo XML?

Per arrivare ad avere, a partire da un'unica stringa, soltanto l'ultima parte con le referenze, potresti usare un altro metodo:

ottieni l'indice della prima referenza tramite il metodo

int java.lang.String.indexOf(String  str)

passandogli una stringa che identifica la prima referenza (nell'esempio che hai postato, puoi passargli "[1]")

salvi la sottostringa che va dall'indice appena trovato fino alla fine della stringa, tramite il metodo

String  java.lang.String.substring(int beginIndex, int endIndex)

splitti questa stringa usando un parametro che identifica la fine di una referenza e l'inizio di un'altra (se per esempio dopo ogni referenza di sono due endline, come avviene di solito, puoi usare \n\n (o forse nel tuo caso \n\r\n\r) come parametro).

in questo modo ottieni un array di stringhe in cui ogni stringa è una referenza intera (con eventuali endline singoli, come nel tuo esempio)

a questo punto puoi rimuovere gli endline all'interno di ogni referenza usando il metodo:

String  java.lang.String.replaceAll(String  regex, String  replacement)

a cui passi come regex "\n\r" e come replacement uno spazio " "

il risultato finale sarà un array in cui ogni stringa è esattamente una referenza, rappresentata come unica linea, che puoi inserire in un XML senza problemi.

Difatti il problema era proprio il togliere quel 
 Facendo come dice Kenger ho risolto.
Grazie ad entrambi.

[Gold]

Non sarebbe meglio usare System.getProperty("line.separator") invece di \n o \r\n??

[deadlyomen17]

Originariamente inviato da Emaborsa

Funziona, però non ho capito perchè. Puoi spiegarmi con precisione?

i sistemi Windows utilizzano CR+LF per rappresentare il "a capo" (newline)
mentre i sistemi unix e unix-like usano LF
apple utilizza solo CR

fonte: http://it.wikipedia.org/wiki/Newline

resta comunque il consiglio di prima.

[Emaborsa]

Originariamente inviato da Gold

Non sarebbe meglio usare System.getProperty("line.separator") invece di \n o \r\n??

Immagino che dipenda su quale SO usi il programma. Ora facendo come descritto sopra su Win funziona, però potrebbe essere che su MAC o Linux non funziona. Come mi consigli di fare?

Il codice attuale:

private void parsePdf() throws IOException {
		PDFTextStripper stripper = new PDFTextStripper();
		String text = stripper.getText(this.pdfBoxDocument);
		text = text.replace("\r", "");
		this.parsedText = text.split("\n");
	}

[deadlyomen17]

Originariamente inviato da Gold

Non sarebbe meglio usare System.getProperty("line.separator") invece di \n o \r\n??

Assolutamente corretto. Non ci avevo pensato.

Originariamente inviato da Emaborsa

Immagino che dipenda su quale SO usi il programma. Ora facendo come descritto sopra su Win funziona, però potrebbe essere che su MAC o Linux non funziona. Come mi consigli di fare?

System.getProperty("line.separator") ti ritorna la stringa che nel tuo sistema rappresenta newline.

quindi \n per sistemi *nix, \r per sistemi Mac, \n\r per sistemi NT

[deadlyomen17]

Originariamente inviato da Emaborsa

Il codice attuale:

private void parsePdf() throws IOException {
		PDFTextStripper stripper = new PDFTextStripper();
		String text = stripper.getText(this.pdfBoxDocument);
		text = text.replace("\r", "");
		this.parsedText = text.split("\n");
	}

a questo punto perchè non fare direttamente

this.parsedText = text.split("\n\r");

o ancora megliO:

this.parsedText = text.split(System.getProperty("line.separator"));

[Emaborsa]

...o così, per averlo più leggibile:

private void parsePdf() throws IOException {
		PDFTextStripper stripper = new PDFTextStripper();
		String text = stripper.getText(this.pdfBoxDocument);
		String lineSeparator = System.getProperty("line.separator"); 
		this.parsedText = text.split(lineSeparator);
	}

[Kenger]

Perfetto, sono niubbissimo in java e non sapevo si potesse fare così. Grazie.

[Emaborsa]

Originariamente inviato da Kenger

Perfetto, sono niubbissimo in java e non sapevo si potesse fare così. Grazie.

Io più che altro non sapevo di questo lineseparator...