Java使用正则表达式提取商品规格信息

需求

从不方便透露的网站爬取了一批商品数据，需要从商品名中获取规格。规格可能以 “ml”、“g”、“pcs” 等单位表示，也可能带有乘积符号 “x”（如 “2x30ml”），或者是多个规格组合（如 “50ml + 30ml”）。大概就是下面这种样子

List<String> strings = Lists.newArrayList(
    "幸运润手霜八支装 8x30ml",
    "赋能焕采眼霜 双瓶装 2x1.5g",
    "赋能焕采眼霜 双瓶装 2x1.5g + 50g",
    "多方位pitera™ 保湿修护套组 2x2.30ml + 100ml",
    "特润修护肌活精华露和充盈紧弹眼霜套装 50ml + 15ml",
    "紫胖子卸妆膏（面部及眼部卸妆霜） 12.5ml + 30ml + 15ml",
    "紫胖子卸妆膏（面部及眼部卸妆霜） 1.25g + 30mg + 15mg",
    "夜间密集修护套装 150ml + 100ml + 50ml + 75ml + 15ml",
    "夜间密集修护套装 150mg + 100mg + 50mg + 75mg + 15mg",
    "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5g",
    "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5Pcs",
    "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27pcs 27pcs",
    "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5ML 27.5ml",
    "海蓝之谜修护精萃沁润面膜 保湿修护面膜 #128",
    "Dior Rouge Forever Stick 3.2g 729 Cool Taupe",
    "Dior Prestige Le Micro Fluid Teint De Rose Foundation Illuminateur Spf25 30ml 1N Neutral",
    "护肤面膜 两盒装 2x10 pcs"
);

代码实现

使用正则表达式匹配：

import com.google.common.collect.Lists;

import java.util.LinkedHashSet;
import java.util.List;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * @date 2024/9/13 16:42
 * @description:
 */
public class DemoController {
    private static final Pattern PATTERN = Pattern.compile("(\\d+(?:\\.\\d+)?\\s*(?:x\\s*\\d+(?:\\.\\d+)?)?\\s*(?:ml|g|pcs|l|cl|mg|kg)\\s*(?:\\+\\s*)?|#\\d+\\s*)+", Pattern.CASE_INSENSITIVE);
    public static void main(String[] args) {
        List<String> strings = Lists.newArrayList("幸运润手霜八支装 8x30ml",
                "赋能焕采眼霜 双瓶装 2x1.5g",
                "赋能焕采眼霜 双瓶装 2x1.5g + 50g",
                "多方位pitera™ 保湿修护套组 2x2.30ml + 100ml",
                "特润修护肌活精华露和充盈紧弹眼霜套装 50ml + 15ml",
                "紫胖子卸妆膏（面部及眼部卸妆霜） 12.5ml + 30ml + 15ml",
                "紫胖子卸妆膏（面部及眼部卸妆霜） 1.25g + 30mg + 15mg",
                "夜间密集修护套装 150ml + 100ml + 50ml + 75ml + 15ml ",
                "夜间密集修护套装 150mg + 100mg + 50mg + 75mg + 15mg ",
                "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5g",
                "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5Pcs",
                "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27pcs 27pcs",
                "海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5ML 27.5ml",
                "海蓝之谜修护精萃沁润面膜 保湿修护面膜 #128",
                "Dior Rouge Forever Stick 3.2g 729 Cool Taupe",
                "Dior Prestige Le Micro Fluid Teint De Rose Foundation Illuminateur Spf25 30ml 1N Neutral",
                "护肤面膜 两盒装 2x10 pcs");
        for (String string : strings) {
            String specification = "";
            Matcher matcher = PATTERN.matcher(string);
            if (matcher.find()) {
                // 如果匹配成功，打印出规格
                specification = matcher.group();
                // 去重规格项
                specification = removeDuplicates(specification);
            }
            System.out.println("name: " +  string + "  >>>>>> 规格 " + specification);
        }

    }

    // 去重并保持原有顺序
    private static String removeDuplicates(String specification) {
        if (specification.contains("+") || specification.contains("x")) {
            return specification;
        }
        String[] parts = specification.split("\\s+");
        Set<String> uniqueParts = new LinkedHashSet<>();
        for (String part : parts) {
            uniqueParts.add(part.toLowerCase());
        }
        return String.join(" ", uniqueParts);
    }
}

正则表达式分析：

1. 正则表达式匹配规则

• \\d+(?:\\.\\d+)?: 匹配整数或小数，如 “8” 或 “8.5”。
• (?:x\\s*\\d+(?:\\.\\d+)?)?: 匹配乘积符号 “x” 和数量，如 “2x30ml”。
• (ml|g|pcs|l|cl|mg|kg): 匹配常见的规格单位，如 “ml”、“g”、“pcs” 等。
• (\\+\\s*)?: 匹配加号 “+”，表示多个规格组合，如 “50ml + 30ml”。

2. 匹配逻辑

• 使用 matcher.find() 方法查找商品名称中的规格部分。匹配成功后，提取规格信息。
• 将匹配到的规格字符串传入 removeDuplicates 方法中，进行去重处理。

3. 去重逻辑

• 使用 LinkedHashSet 来去重并保持原有顺序。将规格字符串按空格分隔后，逐一加入 LinkedHashSet 中，最终通过 String.join() 将去重后的部分拼接起来。

输出结果：

name: 幸运润手霜八支装 8x30ml  >>>>>> 规格 8x30ml
name: 赋能焕采眼霜 双瓶装 2x1.5g  >>>>>> 规格 2x1.5g
name: 赋能焕采眼霜 双瓶装 2x1.5g + 50g  >>>>>> 规格 2x1.5g + 50g
name: 多方位pitera™ 保湿修护套组 2x2.30ml + 100ml  >>>>>> 规格 2x2.30ml + 100ml
name: 特润修护肌活精华露和充盈紧弹眼霜套装 50ml + 15ml  >>>>>> 规格 50ml + 15ml
name: 紫胖子卸妆膏（面部及眼部卸妆霜） 12.5ml + 30ml + 15ml  >>>>>> 规格 12.5ml + 30ml + 15ml
name: 紫胖子卸妆膏（面部及眼部卸妆霜） 1.25g + 30mg + 15mg  >>>>>> 规格 1.25g + 30mg + 15mg
name: 夜间密集修护套装 150ml + 100ml + 50ml + 75ml + 15ml   >>>>>> 规格 150ml + 100ml + 50ml + 75ml + 15ml 
name: 夜间密集修护套装 150mg + 100mg + 50mg + 75mg + 15mg   >>>>>> 规格 150mg + 100mg + 50mg + 75mg + 15mg 
name: 海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5g  >>>>>> 规格 27.5g
name: 海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5Pcs  >>>>>> 规格 27.5pcs
name: 海蓝之谜修护精萃沁润面膜 保湿修护面膜 27pcs 27pcs  >>>>>> 规格 27pcs
name: 海蓝之谜修护精萃沁润面膜 保湿修护面膜 27.5ML 27.5ml  >>>>>> 规格 27.5ml
name: 海蓝之谜修护精萃沁润面膜 保湿修护面膜 #128  >>>>>> 规格 #128
name: Dior Rouge Forever Stick 3.2g 729 Cool Taupe  >>>>>> 规格 3.2g
name: Dior Prestige Le Micro Fluid Teint De Rose Foundation Illuminateur Spf25 30ml 1N Neutral  >>>>>> 规格 30ml
name: 护肤面膜 两盒装 2x10 pcs  >>>>>> 规格 2x10 pcs

---

我当然不会试图摘月，我要月亮奔我而来。 --奥黛丽·赫本