【Java】リスト内の文字列から入力パターンに一致するすべての文字列を見つける方法

本記事では、Javaを使って、リスト（文字列配列）の中から、指定した入力文字列と同じパターン構造を持つすべての文字列（近似一致）を見つける方法を解説します。

ここでいう「パターンが一致する」とは、文字そのものが同一であることではなく、文字の出現構造が同じであることを意味します。たとえば「ddcc」は「aabb」「xxyy」「mmnn」と同様に、「異なる2種類の文字がそれぞれ2回ずつ連続して現れる」という共通のパターンを持っています。このような一致を検出することで、見た目は違っても構造が似ている文字列を効率よく抽出できます。

サンプルコード

import java.io.*;
import java.util.*;
public class Demo{
    static String string_encoding(String str){
        HashMap<Character, Integer> my_map = new HashMap<>();
        String result = "";
        int i = 0;
        char ch;
        for (int j = 0; j < str.length(); j++) {
            ch = str.charAt(j);
            if (!my_map.containsKey(ch))
                my_map.put(ch, i++);
            result += my_map.get(ch);
        }
        return result;
    }
    static void match_words(String[] my_arr, String my_pattern){
        int len = my_pattern.length();
        String hash_val = string_encoding(my_pattern);
        for (String word : my_arr){
            if (word.length() == len && string_encoding(word).equals(hash_val))
                System.out.print(word + " ");
        }
    }
    public static void main(String args[]){
        String[] my_arr = { "mno", "aabb", "pqr", "xxyy", "mmnn" };
        String my_pattern = "ddcc";
        System.out.println("The patterns similar to ddcc in the array are :");
        match_words(my_arr, my_pattern);
    }
}

実行結果

The patterns similar to ddcc in the array are :
aabb xxyy mmnn

コードの解説

Demo クラスには、string_encoding という関数が定義されています。この関数は HashMap を生成し、文字列を先頭から1文字ずつ走査します。初めて登場した文字には新しい番号（0, 1, 2…）を割り当て、すでに登場済みの文字には同じ番号を再利用することで、文字列を「パターンを表す数値列」へ変換します。これにより、「ddcc」→「0011」、「aabb」→「0011」といったように、構造が同じ文字列は必ず同じ符号化結果になります。

次に、match_words 関数では、まず基準となるパターン文字列を string_encoding で符号化し、そのハッシュ値を保持します。続いて配列内の各単語を順にチェックし、文字数がパターンと一致し、かつ符号化結果も等しい場合に、その単語を出力します。

最後に main 関数では、比較対象となる文字列配列とパターン「ddcc」を定義し、match_words 関数を呼び出しています。その結果として、パターンに一致する「aabb」「xxyy」「mmnn」の3つの文字列がコンソールに表示されます。

ポイントまとめ

• 文字の並びではなく構造で比較できる： 具体的な文字が異なっていても、出現パターンが同じなら一致と判定されます。
• 文字数チェックによる高速化： 長さが異なる単語は早期に除外されるため、無駄な符号化処理を削減できます。
• 応用範囲が広い： この手法は、類似語句の検索やデータクリーニングなど、さまざまな場面で活用できます。