问将正则表达式应用于从缓冲大文件的小字节数组缓冲区创建的字符串

EN

首先，不能将Java正则表达式应用于字节数组。您必须将其应用于String。因此，您必须将byte[]转换为String，并且您可能(a)使用了错误的编码，或者(b)截断了中间的字符串。

一旦你克服了这一点，你就需要使用流媒体学科来重新构建你所阅读的内容。我可以描述一个可能适用也可能不适用的方法：

将一大块数据读入缓冲区。在buffer.

• Process中找到从开始到boundary.

• Move的最后一句边界buffer.

• Refill到source.

• lather，前面的剩余部分，重复source.

• lather，

1. 中缓冲区的其余部分，
2. 。

如果这确实是一个普通的字符文件，则按如下方式修改：

Reader r = new InputStreamReader(inputByteStream, Charset.forName("utf-8"));

然后应用上面的算法来避免缓冲区边界条件。

你应该做什么的伪代码：

while true:
   read 512 bytes into new buffer
   if eof:
       break
   concatenate with previous buffer (and only previous buffer)
   run regex on concatenated buffer

一个有趣的可能的解决方案是注意到正则表达式方法将输入作为CharSequence而不是String (据我所知，它们从不调用CharSequence.toString())。

因此，您可以实现一个从文件中提取字符的CharSequence，而无需将整个文件加载到内存中。如果您的文件采用一种编码方式，其中的字符采用恒定的字节数(ASCII 16)，那么您几乎可以直接将RandomAccessFile调整为CharSequence (虽然我不确定这种情况下的性能，但您可能需要一些缓冲)。