本文介绍如何通过结构化数据建模、分层条件过滤与默认值填充，替代冗长易错的嵌套 if-else if 链，显著提升二十一个问题类游戏的可维护性、鲁棒性和扩展性。
本文介绍如何通过结构化数据建模、分层条件过滤与默认值填充，替代冗长易错的嵌套 `if-else if` 链，显著提升二十一个问题类游戏的可维护性、鲁棒性和扩展性。
在开发类似“二十一个问题”的推理游戏时，直接将所有特征组合硬编码进深层嵌套的 if-else if 语句中，不仅导致代码极度臃肿（如原例中单个动物分支就含 8+ 个耦合条件），更会引发两大核心问题：空值崩溃风险（未触发的分支问题未赋值，aAld1 等变量为 null）和语义歧义失效（如“企鹅”既可归为“Land”也可归为“Water”，单一路径判断直接漏判）。
根本解法不是优化 if 写法，而是转变建模思路：将“动物→属性→取值”转化为可查询、可加权、可容错的知识结构。以下是推荐的三步重构方案：
✅ 第一步：统一采集 + 安全默认值
避免因跳过问题导致 null，所有问题应预定义并赋予合理默认值（如未问及“栖息地子类”时设为 "unknown"），使用 Map<string string></string> 统一管理答案：
Map<string string> answers = new HashMap();
answers.put("category", getValidInput(scanner, "Food/Animal/Object? ", Set.of("food", "animal", "object")));
answers.put("size", getValidInput(scanner, "Size? (Small/Medium/Large) ", Set.of("small", "medium", "large")));
answers.put("domain", getValidInput(scanner, "Domain? (Land/Sky/Water) ", Set.of("land", "sky", "water")));
// 关键：对条件性问题提供 fallback，默认值参与后续匹配，而非抛异常
answers.put("habitat", "unknown"); // 后续根据 domain 动态覆盖
if ("land".equals(answers.get("domain"))) {
answers.put("habitat", getValidInput(scanner, "Habitat? (Mountains/Plains/...) ",
Set.of("mountains", "plains", "forests", "deserts", "cities")));
}</string>
?
getValidInput()封装了大小写归一化与重试逻辑，杜绝"Yes"/"yes"/"YES"不一致问题。
✅ 第二步：用规则对象替代硬编码条件
为每个候选答案（如 "Cat"）定义独立规则类，将判断逻辑封装为可读方法：
record AnimalRule(String name, Predicate<map string>> matches) {
static final AnimalRule CAT = new AnimalRule("Cat",
ans -> "animal".equals(ans.get("category"))
&& "small".equals(ans.get("size"))
&& "land".equals(ans.get("domain"))
&& "cities".equals(ans.get("habitat"))
&& "4".equals(ans.get("legs"))
&& "yes".equals(ans.get("common_pet"))
&& ("fur".equals(ans.get("skin")) || "hair".equals(ans.get("skin")))
);
static final AnimalRule PENGUIN = new AnimalRule("Penguin",
ans -> "animal".equals(ans.get("category"))
&& "medium".equals(ans.get("size"))
&& ("land".equals(ans.get("domain")) || "water".equals(ans.get("domain"))) // ✅ 容忍多义性
&& ("feathers".equals(ans.get("skin")) || "unknown".equals(ans.get("skin"))) // ✅ 允许未知皮肤
&& "no".equals(ans.get("wings")) // 有翅但不会飞 → 仍满足"无飞行能力"
);
}</map>
✅ 第三步：集中匹配 + 置信度排序（可选增强）
遍历规则集，收集所有匹配项，按匹配字段数排序，返回最高置信度结果：
List<animalrule> candidates = List.of(AnimalRule.CAT, AnimalRule.DOG, AnimalRule.PENGUIN);
List<animalrule> matches = candidates.stream()
.filter(rule -> rule.matches().test(answers))
.collect(Collectors.toList());
if (matches.isEmpty()) {
System.out.println("Sorry! Not recognized. Try again.");
} else if (matches.size() == 1) {
System.out.println("It's a " + matches.get(0).name() + "!");
} else {
System.out.println("Top guesses: " + matches.stream().map(AnimalRule::name).collect(Collectors.joining(", ")));
}</animalrule></animalrule>
⚠️ 关键注意事项
-
永远不要用
==比较字符串：原代码中aA4 == 4是整型比较，但aAld1.equals("Cities")应改为equalsIgnoreCase()或先toLowerCase()； -
避免
|（位或）代替||（逻辑或）：aAld1.equals("Plains") | aAld1.equals("Cities")在aAld1为null时会抛NullPointerException，必须用||； - 分离关注点：输入采集、规则定义、匹配引擎应分属不同类，便于单元测试与迭代；
-
渐进式增强：初期可用简单
switch或Map替代if-else if；成熟后引入 Drools 等轻量规则引擎。
此方案将原代码行数减少 60%+，新增一个动物只需添加一条 AnimalRule，无需触碰主流程，真正实现“业务逻辑即配置”。
