Java/ Talend 根据条件分解字符串并清理数据
Java/ Talend Breaking down a String based on a condition and cleaning data
我有一个原始数据字符串列表。 Talend 7中每个字符串可能包含公司名称+压力地址+城市+省份。它们在字符串中由竖线分隔。
总行数为200,000。
我想以高效的方式提取和分离公司名称。问题是公司名称的管道不规则存在。
以下是每个字符串可以包含的一些示例：
- "Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3"
- ""
- "Health and Wellness Center|University of Toronto|214 College Street, Room 111|Toronto ON M5T 2Z9"
- "400 Walmer Road|125 号套房|多伦多 ON M5P 2X7"
- "The Hospital for Sick Children|Dept. of Critical Care Medicine|2nd Floor Atrium, Room 2830|555 University Ave|Toronto ON M5G 1X8"
我正在考虑使用 tJava 或 tJavaRow，并编写一些 java 代码，使用 contains 方法我可以检查字符串是否包含以下单词之一：Avenue、Ave、Road、Rd、Street并且，St. 除非这些词之前有空间。
这是我的问题：找到哪条记录有街道地址后，我需要知道街道地址之前是否存在任何管道，如果有，有多少？所以我可以将它们合并为公司名称。
示例：
"Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3" 街道地址 10 Trench St. 之前只有一根管道，所以公司名称是
麦肯齐健康
"Health and Wellness Center|University of Toronto|214 College Street, Room 111|Toronto ON M5T 2Z9"街道地址前有两个竖线，所以公司名称是：
多伦多大学健康中心
“400 Walmer Road|Suite 125|Toronto ON M5P 2X7”前面没有管道，所以没有任何名称
"The Hospital for Sick Children|Dept. of Critical Care Medicine|2nd Floor Atrium, Room 2830|555 University Ave|Toronto ON M5G 1X8" 前面有三个竖线，但是在子串里，在它前面，有room这个词。所以公司名称是病童医院重症医学科
欣赏任何想法and/or 还有新的解决方案
您可以在 Talend 例程中创建一个 Java 方法，基于使用捕获组的模式匹配（可以在 tMap 组件或其他地方调用）。
https://www.tutorialspoint.com/javaregex/javaregex_capturing_groups.htm
对于您的情况，您可以使用以下 RegEx 示例（似乎可以解决给出的 5 个示例）：
此正则表达式按最后一次出现（从右起）分组：
^(.*\|)*((?i).*(room|st.|street|road|avenue).*\|(?-i).*)$
我已经通过 https://regex101.com/ 测试了 RegEx。第 1 组是您的公司名称，第 2 组是您的地址。您可以在进一步处理中删除不需要的管道。
此正则表达式按第一次出现（左起）分组：
^((((?!room|street|st.|road|avenue).)*\|)|)*((?i).*(room|street|st.|road|avenue).*\|(?-i).*)$.
第 2 组和第 4 组现在有数据。
注意：所有学分都是给Mo2s的，我只是把他的回答从评论里复制到这里，希望对其他人有用。
已修复： RegEx 中的星号问题，与 Whosebug 标签混淆。
希望对你有用。如果您需要更多帮助，请告诉我。
我有一个原始数据字符串列表。 Talend 7中每个字符串可能包含公司名称+压力地址+城市+省份。它们在字符串中由竖线分隔。
总行数为200,000。
我想以高效的方式提取和分离公司名称。问题是公司名称的管道不规则存在。
以下是每个字符串可以包含的一些示例：
- "Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3"
- ""
- "Health and Wellness Center|University of Toronto|214 College Street, Room 111|Toronto ON M5T 2Z9"
- "400 Walmer Road|125 号套房|多伦多 ON M5P 2X7"
- "The Hospital for Sick Children|Dept. of Critical Care Medicine|2nd Floor Atrium, Room 2830|555 University Ave|Toronto ON M5G 1X8"
我正在考虑使用 tJava 或 tJavaRow，并编写一些 java 代码，使用 contains 方法我可以检查字符串是否包含以下单词之一：Avenue、Ave、Road、Rd、Street并且，St. 除非这些词之前有空间。
这是我的问题：找到哪条记录有街道地址后，我需要知道街道地址之前是否存在任何管道，如果有，有多少？所以我可以将它们合并为公司名称。
示例：
"Mackenzie Health|10 Trench St.|Richmond Hill ON L4C 4Z3" 街道地址 10 Trench St. 之前只有一根管道，所以公司名称是 麦肯齐健康
"Health and Wellness Center|University of Toronto|214 College Street, Room 111|Toronto ON M5T 2Z9"街道地址前有两个竖线，所以公司名称是： 多伦多大学健康中心
“400 Walmer Road|Suite 125|Toronto ON M5P 2X7”前面没有管道，所以没有任何名称
"The Hospital for Sick Children|Dept. of Critical Care Medicine|2nd Floor Atrium, Room 2830|555 University Ave|Toronto ON M5G 1X8" 前面有三个竖线，但是在子串里，在它前面，有room这个词。所以公司名称是病童医院重症医学科
欣赏任何想法and/or 还有新的解决方案
您可以在 Talend 例程中创建一个 Java 方法，基于使用捕获组的模式匹配（可以在 tMap 组件或其他地方调用）。
https://www.tutorialspoint.com/javaregex/javaregex_capturing_groups.htm
对于您的情况，您可以使用以下 RegEx 示例（似乎可以解决给出的 5 个示例）：
此正则表达式按最后一次出现（从右起）分组：
^(.*\|)*((?i).*(room|st.|street|road|avenue).*\|(?-i).*)$
我已经通过 https://regex101.com/ 测试了 RegEx。第 1 组是您的公司名称，第 2 组是您的地址。您可以在进一步处理中删除不需要的管道。
此正则表达式按第一次出现（左起）分组：
^((((?!room|street|st.|road|avenue).)*\|)|)*((?i).*(room|street|st.|road|avenue).*\|(?-i).*)$.
第 2 组和第 4 组现在有数据。
注意：所有学分都是给Mo2s的，我只是把他的回答从评论里复制到这里，希望对其他人有用。
已修复： RegEx 中的星号问题，与 Whosebug 标签混淆。
希望对你有用。如果您需要更多帮助，请告诉我。