La manera más rápida de realizar muchas cadenas reemplazar en Java

Question

Tengo que escribir algún tipo de analizador sintáctico que obtenga un String y reemplace ciertos conjuntos de caracteres con otros. El código se ve así:

noHTMLString = noHTMLString.replaceAll("</p>", "\n"); 
noHTMLString = noHTMLString.replaceAll("<br/>", "\n\n"); 
noHTMLString = noHTMLString.replaceAll("<br />", "\n\n"); 
//here goes A LOT of lines like these ones 

La función es muy larga y realiza una gran cantidad de cadenas reemplaza. El problema aquí es que lleva mucho tiempo porque el método se llama muchas veces, lo que ralentiza el rendimiento de la aplicación.

He leído algunos hilos aquí sobre el uso de StringBuilder como alternativa pero le falta el método ReplaceAll y como se señaló aquí Does string.replaceAll() performance suffer from string immutability? el método replaceAll en clase String trabaja con

Perfil de Compatibilidad & Matcher y Matcher.replaceAll() usa un StringBuilder para almacenar el valor eventualmente devuelto , así que no sé si al cambiar a StringBuilder realmente se reducirá el tiempo para realizar las sustituciones.

¿Conoces una manera rápida de hacer mucho reemplazo de cadenas de forma rápida? ¿Tienes algún consejo para este problema?

Gracias.

EDIT: Tengo que crear un informe que tiene algunos campos con texto html. Para cada fila estoy llamando al método que reemplaza todas las etiquetas html y caracteres especiales dentro de estas cadenas. Con un informe completo, toma más de 3 minutos analizar todo el texto. El problema es que tengo que invocar el método muy a menudo

Answer 1

Encontré que org.apache.commons.lang.StringUtils es el más rápido si no quieres molestarte con StringBuffer.

Se puede utilizar la siguiente manera:
noHTMLString = StringUtils.replace(noHTMLString, "</p>", "\n");

hice pruebas de rendimiento era fester que mi solución personalizada StrinBuffer similar a la @extraneon propuesto.

Answer 2

Parece que su HTML de análisis existe, ¿ha pensado en usar un 3rd party library en lugar de reinventar la rueda?

Answer 3

Estoy de acuerdo con Martijn en el uso de una solución preparada en lugar de analizarla usted mismo; hay muchas cosas incorporadas en Java en el paquete javax.xml. Una buena solución sería usar la transformación XSLT para reemplazar, esto parece un caso de uso ideal para él. Sin embargo, es complicado.

Para responder a la pregunta, ¿ha considerado usar el regular expression libraries? Parece que tiene muchas cosas diferentes con las que desea coincidir, y las reemplaza con la misma cosa (\ n o cadena vacía). Usando expresiones regulares puede ser una expresión como "<br>|<br/>|<br />" o incluso más inteligente como <br.*?>" para crear un objeto de coincidencia, en el que puede llamar a replaceAll.

Answer 4

Estoy totalmente de acuerdo con Martijn aquí. Elija la herramienta adecuada para el trabajo.

Si su archivo, sin embargo, no es HTML, pero solo contiene algunos tokens HTML, existen algunas maneras de acelerarlo.

primer lugar, si una cierta cantidad de la entrada no contiene elementos reemplazables, considere comenzar con algo como:

if (!input.contains('<')) { 
    return input; 
} 

segundo lugar, considerar una expresión regular:

Pattern p = Pattern.compile(your_regex); 

No hacer un patrón para cada línea replaceAll, pero intente combinarlas (regex tiene un operador OR) y permita que Pattern optimice la expresión regular. Utilice el patrón compilado y no lo compile en todas las llamadas, es bastante caro.

Si expresiones regulares son un poco más complejo que también se puede aplicar algún motor de reemplazo más rápido (pero potencialmente menos legible) a sí mismo:

StringBuilder result = new StringBuilder(input.length(); 
for (int i=0; i < input.length(); i++) { 
    char c = input.charAt(i); 

    if (c != '<') { 
    continue; 
    } 

    int closePos = input.indexOf('>', i); 
    if (closePos == -1) {// not found 
    result.append(input.substring(i, input.length()); 
    return result.toString(); 
    } 
    i = closePos; 
    String token = input.substring(i, closePos); 
    if (token.equals("p/") { 
    result.append("\\n"); 
    } else if (token.equals(...)) { 
    } else if (...) { 
    } 
} 
return result.toString(); 

Esto puede tener algunos errores :)

La ventaja es que tienes para iterar a través de la entrada solo una vez. La gran desventaja es que no es tan fácil de entender. También podría escribir una máquina de estado, analizando por carácter cuál debería ser el nuevo estado, y eso probablemente sería más rápido e incluso más trabajo.