[JAVA]Ricerca sottostringa con n parole antecedenti e successive

[Slashmc]

Ciao a tutti, vi espongo brevemente il mio problema: ho la necessita' di trovare, all'interno di una Stringa contenente un testo, una determinata parola e di far visualizzare le N parole precedenti e le N parole successive alla parola cercata.
Ho pensato di risolvere questo problema con una regex ma probabilmente sbaglio qualcosa...
Vi riporto qui di seguito il mio codice spiegandovi la mia idea:

Ho creato una funzione che presa la parola da cercare e il numero di parole antecedenti e successive da far visualizzare crea la regex:
/**
* Crea la regex per la ricerca della parola all'interno della Stringa
* @param s: parola da ricercare nella Stringa
* @param n: Numero di parole antecedenti e successive alla parola data
* @return Regex per la ricerca
*/
public String createRegex(String s, int n){
String res = new String();
String before = new String("[a-zA-Z0-9'!\"()-_]+[\\s+|!|\"|'|(|)]+");
String after = new String("[\\s+|!|\"|'|(|)]+[a-zA-Z0-9'!\"()-_]+");
for(int i=0; i<n;i++){
res+=before;
}
res+=s;
for(int i=0; i<n;i++){
res+=after;
}
System.out.println("Regex: "+res);
return res;
}

Un esempio di regex prodotta da questa funzione (con s=occhi e n=2) sarebbe:
[a-zA-Z0-9'!"()-_]+[\s+|!|"|'|(|)]?+[a-zA-Z0-9'!"()-_]+[\s+|!|"|'|(|)]+occhi[\s+|!|"|'|(|)]?+[a-zA-Z0-9'!"()-_]+[\s+|!|"|'|(|)]+[a-zA-Z0-9'!"()-_]+

Questa funzione viene appunto richiamata prima di effettuare la find nella stringa:
String regex = createRegex(word, nWord);
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(res);
while(matcher.find()){
String foundedWord =matcher.group();
output.add(foundedWord);
}
dove res e' la Stringa in cui effettuare la richiesta e output e' un Vector di String cosi' definito: Vector<String> output = new Vector<String>();

Purtroppo questo mio approccio va incontro a numerosi problemi in quanto ho riscontrato dei casi in cui la ricerca della parola non va a buon fine.
Ad esempio se la Stringa fosse: "Codifica automaticamente i link nel testo", la parola da ricercare fosse "automaticamente" e il numero di parole precedenti e successive da far visualizzare fosse "4", la regex non ritorna nessuna corrispondenza in quanto non riesce a prendere le 4 parole precedenti a automaticamente (in quanto ve ne sono solo due)....

Potreste suggerirmi una regex corretta per effettuare questa operazione e potreste indicarmi cortesemente l'errore presente nella regex da me sviluppata?

Spero di essere stato abbastanza chiaro...Grazie per l'eventuale aiuto!

[Slashmc]

Nessuno e' in grado di darmi una mano?

[banryu79]

Originariamente inviato da Slashmc

Nessuno e' in grado di darmi una mano?

E' proprio neccessario/conveniente usare le regex per risolvere questo problema?

[Slashmc]

Originariamente inviato da banryu79

E' proprio neccessario/conveniente usare le regex per risolvere questo problema?

Ciao grazie per la risposta!
No non ho vincoli a riguardo...pensavo potesse essere l'approccio migliore per risolvere questo tipo di problema...ma ad essere sincero non ho mai usato le espressioni regolari in precedenza e quindi magari ho una visione errata del loro utilizzo...tu come risolveresti questo problema?

[banryu79]

Originariamente inviato da Slashmc

Ciao grazie per la risposta!
No non ho vincoli a riguardo...pensavo potesse essere l'approccio migliore per risolvere questo tipo di problema...ma ad essere sincero non ho mai usato le espressioni regolari in precedenza e quindi magari ho una visione errata del loro utilizzo...tu come risolveresti questo problema?

Umm... per prima cosa cercherei di analizzare bene il problema per prevedere eventuali casi limite e scegliere come gestirli prima di cominciare a scrivere del codice. Ad esempio, posto che tutto quello che sappiamo del problema è riassunto così:

...ho la necessita' di trovare, all'interno di una Stringa contenente un testo, una determinata parola e di far visualizzare le N parole precedenti e le N parole successive alla parola cercata.

e posto che sappiamo come spezzare una stringa di testo nelle singole parole che la compongono (1° sottoproblema da risolvere; io al momento opterei per il metodo split di String) come deve essere gestito questo caso?

parola target = pappa
testo in input = "Voglio subito tutta la mia pappa pappa pappa prima che inizi il film!"

[Slashmc]

Originariamente inviato da banryu79

... posto che sappiamo come spezzare una stringa di testo nelle singole parole che la compongono (1° sottoproblema da risolvere; io al momento opterei per il metodo split di String) come deve essere gestito questo caso?

parola target = pappa
testo in input = "Voglio subito tutta la mia pappa pappa pappa prima che inizi il film!"

Ipotizzando che il numero di parole antecedenti e successive da far visualizzare sia 2 (N=2) nel caso da te indicato si dovrebbero avere in output le 3 seguenti sottostringhe:
1) la mia PAPPA pappa pappa
2) mia pappa PAPPA pappa prima
3) pappa pappa PAPPA prima che

C'e' pero' da considerare che io devo trovare nel testo solo la parola PAPPA e non parole che contengano la parola PAPPA (come ad esempio "pappagallo")...indendo dire che in questo caso:

parola target = pappa
numero parole pre/post = 2 
testo in input = "Voglio subito tutta la mia pappa pappa pappagallo prima che inizi il film!"

l'output dovrebbe essere (al contrario di prima):
1) la mia PAPPA pappa pappagallo
2) mia pappa PAPPA pappagallo prima

per fare cio' all'interno con il metodo split di String credo che si dovrebbe usare comunque una regex...o sbaglio?

[banryu79]

Originariamente inviato da Slashmc

Ipotizzando che...
[snip]
per fare cio' all'interno con il metodo split di String credo che si dovrebbe usare comunque una regex...o sbaglio?

Avrei usato split per ottenere un array di String i cui singoli elementi sono le parole contenute nel testo da analizzare.
Avendo quello in mano si tratta poi di fare una banale ricerca nell'array utilizzando gli indici.

[Don[ITA]]

Si può risolvere comodamente con split(" ") ed una normale ricerca lineare della parola che ti interessa, come suggerito dal saggio banryu
Ma se:

input = "a b c"
n = 1
target = "a"

quale dev'essere l'output???

[Slashmc]

Originariamente inviato da Don[ITA]

Si può risolvere comodamente con split(" ") ed una normale ricerca lineare della parola che ti interessa, come suggerito dal saggio banryu
Ma se:

input = "a b c"
n = 1
target = "a"

quale dev'essere l'output???

Nel caso da te proposto l'output dovrebbe essere: "A b" ..allo stesso modo se:

input = "a b c"
n = 1
target = "c"

allora output = "b C"

[Don[ITA]]

Qualcosa del genere dovrebbe fare al caso tuo:

public static List<String> find(String input, String target, int n) {
    List<String> results = new LinkedList<String>();
    StringBuilder result;
    String[] words = input.split(" ");
    for(int i = 0; i < words.length; i++) {
        if(words[i].equals(target)) {
            result = new StringBuilder();
            int min_index = i - n > 0 ? i - n : 0;
            int max_index = i + n < words.length ? i + n : words.length - 1;
            for(int j = min_index; j < max_index; j++) result.append(words[j] + " ");
            result.append(words[max_index]);
            results.add(result.toString());
        }
    }
    return results;
}

Non credo sia la soluzione più performante per il tuo problema, ma fa quello che ti serve