最近实现的一个分离文章内容功能，挺有意思，分享一下

这个功能的描述是：

把一本符合

markdown语法写的书

里面的所有大章节里面内容的

每个大标题和该标题对应下的内容做分离，

一
一对应。

一般会出现这种问题的场景：
笔试算法题
产品需求

举个例子，有一段内容是如下：

### 糖尿病的症状 （这是 markdown 的第三级标题）
初期的症状体现在.....

分离后要求达到:

title   ===> 糖尿病的症状
content ===> 初期的症状体现在...

对我而言，这个功能的目的是：

我们把一本书分割成上述的样子，数据存入数据库。供搜索使用。搜索方式，以 title 或 content 做模糊匹配，命中即返回。

相信看到这里的读者都能清楚知道上面谈的是什么，但愿我的文字能通俗易懂，文字多了，我也记不住，累赘。

实现思路：

正则匹配 ------------- ①
逐行处理 ------------- ②

先谈谈

正则匹配

下的处理：
优点
写好匹配式，其它交给 API，方便

缺点
难度大，上述问题的内容掺杂情况有很多种

然后是

逐行处理

处理：
优点
逻辑可控，可丰富自定义处理，例如过滤和二重分割，属于完整的字符串操作
代码清晰，速度快一些

缺点
消耗内存多一些

两种方法的对比:
效率，平分
可读性，② > ①
整体内存占比，② > ①

举个例子对比：

标题有下面的 markdown 代码形式:
###   第一种标题
####  第二种
##### 第三种[点我](http://www.xxx.com)
### ``第四种``
### <strong>第五种，嵌套html标签</strong>
...

采用正则表达式处理的时候

对于上面的情况，第一次的正则拿出标题内容很简单，例如这个： 

###?

 从三个#号开始贪婪匹配。这样我们可以拿出标题，但是标题里面还

掺杂着一些其他标签

。你会想，有没有可能在正则匹配就把

掺杂

的标签去掉。那这个是肯定可以的，代价就是高超的正则匹配式子，且现在还没考虑内容的情况。

为什么非要去掉标签呢？

 因为这是标题，标题将会被用作搜索的
key，且返回给前端的时候，你不能把这个解析符号也给前端对吧？去掉了有以下好处：
减少搜索的 o(n)
方便显示

采用逐行处理的时候

我们从文件中读出第一行 

###
第一种标题

，replace 函数处理掉 

###

 等符号，这里循环处理即可去掉指定的任何符号。

读出第三行的时候 

#####
第三种[点我](http://www.xxx.com)

，处理掉，

#####

 

[

 

]

 

(

 等，剩下就是完美：

第三种点我

看到这，你是否觉得事情变简单了？

我们知道 

markdown
的非标题内容部分，符号和标签更是多种多样

，如果我们用正则解决，假设标题能完美处理，那么内容怎么办呢？ > 如果去掉内容的其他无用标签，或者要求特定保存一些，等情况，多批次的正则过滤将会是花销巨大的操作。

解决流程：

无论是

正则匹配方案

 还是 

逐行处理方案

，这两种我都写了对应的

引擎函数

，通过且以后者运行谓之

0
bug

。实现的时间加起来不足 3.5 小时。后者尤其快，下面我

仅主要介绍后者的解决流程

。

先明确几个细节点
只有标题没对应内容，自动补充为空字符串
只有内容没对应标题，不录入

例如

内容66655
####  标题一
####  标题二
456789....

输出：

title[0] ===> "标题一" , content[0] ===> ""
title[0] ===> "标题二" , content[0] ===> "456789...."

流程图

至此，已经很简答，例如 Java 语言的 

String
API startWith

 就能用在

判断是否是title

，

if(startWith"####")

过滤方面，replace 之类的函数，等都可以。公司代码，不便公开。

完