Du verwendest einen veralteten Browser. Es ist möglich, dass diese oder andere Websites nicht korrekt angezeigt werden. Du solltest ein Upgrade durchführen oder ein alternativer Browser verwenden.
Du hast es umso leichter, je strukturierter der Input ist. Strukturiert wäre bspw. jeder Datensatz in neuer Zeile und jedes Feld durch ein spezielles Trennzeichen getrennt (das wäre dan csv).
Nun ist es bei Dir leider nicht so einfach. Trennzeichen für Felder ist hier das SPACE, welches auch als Trennzeichen für Datensätze und leider auch als Datenbestandteil (im Namen) verwendet wird. Außerdem kommt es manchmal sogar mehrfach vor. Die einzige Struktur, die es gibt, ist der Datentyp der einzelnen Felder (bzw. auf String-Ebene die erlaubten Zeichen).
Wenn ich die Datensätze richtig deute, kommt ungefähr folgende Struktur heraus:
LaufendeNr: Ziffern, mindestens eine bis beliebig viele
Name: Beliebige druckbare Zeichen plus SPACE, mindestens 1 bis beliebig viele
SpieleAnzahl: Ziffern, mindestens eine bis beliebig viele
SiegeAnzahl: Ziffern, mindestens eine bis beliebig viele
UnentschiedenAnzahl: Ziffern, mindestens eine bis beliebig viele
NiederlagenAnzahl: Ziffern, mindestens eine bis beliebig viele
GeschosseneTore: Ziffern, mindestens eine bis beliebig viele
Konstanter Doppelpunkt
GefangeneTore: Ziffern, mindestens eine bis beliebig viele
Dann kommen noch zwei Zahlenblöcke, die nicht eindeutig definiert sind (der erste scheint wohl die Tordifferenz zu sein, der zweite die Punkte?)
Diese Strukturinformationen kann man mittels Regular Expressions maschinenverstehbar beschreiben, die Expression anwenden, sich die Treffer rauspulen dann über die Treffer iterieren, um die Informationen herauszuholen. In Code sieht das dann etwa so aus:
Java:
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public final class RegexTest {
private static final String TEST_INPUT = "1 Manchester United (M) 28 21 4 3 68:27 41 67 2 Manchester City (P) 28 21 3 4 69:20 49 66 3 Tottenham Hotspur 28 16 5 7 52:34 18 53 4 FC Arsenal 28 16 4 8 57:39 18 52";
private static final Pattern DATASET_PATTERN = Pattern
.compile("(\\d+\\s+[\\p{Print}\\s]+?\\s+\\d+\\s+\\d+\\s+\\d+\\s+\\d+\\s+\\d+:\\d+\\s+\\d+\\s+\\d+\\s*)");
/**
* @param args
*/
public static void main(String[] args) {
final Matcher matcher = DATASET_PATTERN.matcher(TEST_INPUT);
while(matcher.find()) {
System.out.println(matcher.group(1));
}
}
}
Du siehst, bis hier her ist schon einiges an Aufwand nötig, nur um die um die relativ unstrukturierten Datensätze auseinander zu pulen. Vielleicht lohnt es, hier abzubrechen und etwas mehr Arbeit auf die Erzeugung des Inputs zu verwenden.
Falls nicht, sag Bescheid, dann machen wir weiter... die Felder aus den Datensätzen zu pulen (Stichwort String.split()) schaffst Du ja vielleicht auch selbst.
[EDIT]
1.)
Ich seh grad, die letzte Mannschaft wird nicht mit ausgegeben. Irgendwo ist im Code oder im Pattern also noch ein Fehler. Aber die Idee sollte klar sein.
[/EDIT]
[EDIT]
2.)
Hab den Fehler in der Expression gefunden und korrigiert (das letzte + muss ein * sein)
[/EDIT]
Wow.. Erst einmal vielen vielen Dank für diese ausführliche Antwort!
Es ist mir leider nicht möglich den Datensatz in einer strukturierteren Form zu bekommen, da ich ihn über einen Htmlparser beziehe und das, schon das Maximum an Form war, was ich heraus holen konnte!
Zu deiner Lösung: Leider habe ich mich noch nie Pattern etc. befasst und grad nur ein bisschen herein gelesen, um im Ansatz zu verstehen, was du da machst. Ich finde die Lösung sehr sehr gut!
Hab's auch gleich mal getest, jedoch sind mir zwei Fehler aufgefallen:
1.Wenn die Tor-Differenz (wie du oben richtig erkannt hast) negativ ist, wird der darauf folgenden Manschaft keine neue "Gruppe"(?) zu geordnet, sondern an die aktuelle angehängt.
2. Habe grad die vollständige Tabelle (siehe unten) eingefügt und komischerweise ist nach der 10. Schluss.
Java:
1 Manchester United (M) 28 21 4 3 68:27 41 67 2 Manchester City (P) 28 21 3 4 69:20 49 66 3 Tottenham Hotspur 28 16 5 7 52:34 18 53 4 FC Arsenal 28 16 4 8 57:39 18 52 5 FC Chelsea 28 14 7 7 48:32 16 49 6 Newcastle United 28 12 8 8 40:41 -1 44 7 FC Liverpool 28 11 9 8 33:26 7 42 8 AFC Sunderland 28 10 7 11 36:31 5 37 9 FC Everton 28 10 7 11 28:31 -3 37 10 FC Fulham 28 9 9 10 37:37 0 36 11 Swansea City (N) 28 9 9 10 31:34 -3 36 12 Norwich City (N) 28 9 9 10 39:45 -6 36 13 Stoke City 28 10 6 12 27:39 -12 36 14 West Bromwich Albion 28 10 5 13 34:37 -3 35 15 Aston Villa 28 7 12 9 31:35 -4 33 16 Blackburn Rovers 28 6 7 15 40:60 -20 25 17 Bolton Wanderers 28 7 2 19 31:57 -26 23 18 Queens Park Rangers (N) 28 5 7 16 29:48 -19 22 19 Wolverhampton Wanderers 28 5 7 16 30:58 -28 22 20 Wigan Athletic 28 4 9 15 24:53 -29 21
Das ist doch ein Krampf. Abgesehen davon, dass so eine Regex fehleranfällig und schwer wartbar ist: Die wird es spätestens dann raushauen, wenn ein Verein "Hannover 96" oder "1860 München" heißt.
Mein erster Gedanke war, erstmal eine Liste von Tokens zu erstellen (also den String mit
string.split(" ")
zu zerlegen und alle leeren Tokens wegzuwerfen), und die Liste dann rückwärts durchzugehen und sich die Infos jeweils zusammenzusuchen. Aber auch das funktioniert nicht, wenn der Name wirklich beliebig sein kann. Das einzige, was mir einfallen würde, wäre, die laufende Nummer auszunutzen, aber auch da kann man sich leicht Gegenbeispiele überlegen.
Wo bekommst du die Daten denn her? Wenn du die z.B. von irgendeiner Webseite runterlutschst bekommt man garantiert auch einen besseren String.
Das liegt daran, dass ich nur Ziffern (\\d) zugelassen habe. Eine negative Zahl beginnt ja mit dem Minus-Zeichen. An der entspr. Stelle müsstest Du die Regex also noch anpassen und zwar auf "-?\\d+"
brililant hat gesagt.:
2. Habe grad die vollständige Tabelle (siehe unten) eingefügt und komischerweise ist nach der 10. Schluss.
Auf die Schnelle komm ich auch nicht drauf. Such nach Zeichen(-folgen), die von der Regex nicht berücksichtigt sind und passe das Pattern ensprechend an.
Das bringt mich dann zu Marco's Bemerkungen, die ich in jedem Punkt voll unterstütze. Sone Regex ist keine leichte Kost und, wenn es irgendwie anders geht, sollte man es anders machen.
Marco13 hat gesagt.:
Die wird es spätestens dann raushauen, wenn ein Verein "Hannover 96" oder "1860 München" heißt.
Das hab ich getestet, deswegen das "+[\\p{Print}\\s]+?" (Alle druckbaren Zeichen, aber relunctant qualifier). Aber mit dem Rest Deines Posts hast du voll Recht.
Hmm, auch wenns schon erledigt ist, eins versteh ich nicht.
Warum überhaupt so kompliziert ? Also ich meine wenn die Daten schon so "hässlich" vorhanden sind, kann man doch einfach mit nem StringBuffer.substring() arbeiten ?
könnte man alles recht übersichtlich machen, ungf. so:
Java:
String data = " deine Daten ";
int maxStellenMannschaft = 20;
int maxStellennaechsterString = 30;
StringBuffer sb = new StringBuffer();
sb.append(data);
String mannschaft = sb.substring(0, maxStellenMannschaft).toString().trim(); // mit trim einfach unnötige Leerzeichen wegkürzen
String naechsterString = sb.substring(maxStellenMannschaft, maxStellennaechsterString).toString().trim();
// usw.
Hierbei muss eben auch "statisch" die genaue Länge des String definiert werden, aber wenn dann erst mal die Werte schön sauber in Variablen gespeichert sind, wäre es doch auch viel schöner damit zu Arbeiten ?
Ist mir jetzt grad so in den Kopf gekommen, bin zwar selber noch Anfänger, aber was würde dagegen sprechen ? (rein aus Interesse)
