Регулярний вираз для пошуку Gadaffi

Я намагаюся шукати слово Gadaffi. Який найкращий регулярний вираз для цього шукати?

Моя найкраща спроба поки що:

\b[KG]h?add?af?fi$\b

Але я все ще, здається, бракую деяких журналів. Будь-які пропозиції?

Оновлення: Я знайшов тут досить великий список: http://blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

Відповідь нижче відповідає всім 30 варіантам:

Gadaffi
Кадафі
Gadafy
Каддафі
Кадафі
Каддафі
Каддафі
Гатафі
Ґадаффі
Кадафі
Каддафі
Ґаддафі
Геддафі
Кадаффі
Кадафі
Каддафі
Каддафі
Каззафі
Хадаффі
Хадафі
Каддафі
Кадафі
Каддафі
Каддафі
Каддафі
Кадтафі
Катафафі
Кватфафі
Куддафі
Кадфафі

\b[KGQ]h?add?h?af?fi\b

Арабською транскрипцією є (Wiki каже) "Qaḏḏāfī", тому можливо додавання Q. І один H ("Каддафі", як згадується у статті (див. Нижче)).

До речі, чому є $кінець регулярного вираження?

Btw, приємна стаття на тему:

Кадафі, Кадафі чи Каддафі? Чому ім'я лівійського лідера написано так багато різних способів? .

EDIT

Щоб відповідати всім іменам у статті, яку ви згадували пізніше , це має відповідати всім. Будемо просто сподіватися, що він не збігається з багатьма іншими речами: D

\b(Kh?|Gh?|Qu?)[aeu](d['dt]?|t|zz|dhd)h?aff?[iy]\b

Легко ... (Qadaffi|Khadafy|Qadafi|... )... це самодокументоване, реконструйоване, і якщо припустити, що ваш двигун regexp насправді збирає регулярні вирази (а не інтерпретувати їх), він буде компілюватися в той самий DFA, що і більш заплутане рішення.

Написати компактні регулярні вирази - це як використовувати короткі імена змінних для прискорення програми. Це допомагає лише якщо ваш компілятор загинув від мозку.

Одне цікаве, що слід відзначити у вашому списку потенційних написань, - це те, що у вміщеному списку є лише 3 значення Soundex (якщо ви ігноруєте "Kazzafi")

G310, K310, Q310

Тепер там є помилкові позитиви ('Godby' також G310), але, комбінуючи обмежені хіти метафонів, ви також можете їх усунути.

<?
$soundexMatch = array('G310','K310','Q310');
$metaphoneMatch = array('KTF','KTHF','FTF','KHTF','K0F');

$text = "This is a big glob of text about Mr. Gaddafi. Even using compound-Khadafy terms in here, then we might find Mr Qudhafi to be matched fairly well. For example even with apostrophes sprinkled randomly like in Kad'afi, you won't find false positives matched like godfrey, or godby, or even kabbadi";

$wordArray = preg_split('/[\s,.;-]+/',$text);
foreach ($wordArray as $item){
    $rate = in_array(soundex($item),$soundexMatch) + in_array(metaphone($item),$metaphoneMatch);
    if ($rate > 1){
        $matches[] = $item;
    }
}
$pattern = implode("|",$matches);
$text = preg_replace("/($pattern)/","<b>$1</b>",$text);
echo $text;
?>

Кілька налаштувань і дозвольте сказати деяку транслітерацію кирилицею, і у вас буде досить надійне рішення.

Використання модуля CPAN Regexp :: Зберіть :

#!/usr/bin/env perl

use Regexp::Assemble;

my $ra = Regexp::Assemble->new;
$ra->add($_) for qw(Gadaffi Gadafi Gadafy Gaddafi Gaddafy
                    Gaddhafi Gadhafi Gathafi Ghadaffi Ghadafi
                    Ghaddafi Ghaddafy Gheddafi Kadaffi Kadafi
                    Kaddafi Kadhafi Kazzafi Khadaffy Khadafy
                    Khaddafi Qadafi Qaddafi Qadhafi Qadhdhafi
                    Qadthafi Qathafi Quathafi Qudhafi Kad'afi);
say $ra->re;

Це дає наступний регулярний вираз:

(?-xism:(?:G(?:a(?:d(?:d(?:af[iy]|hafi)|af(?:f?i|y)|hafi)|thafi)|h(?:ad(?:daf[iy]|af?fi)|eddafi))|K(?:a(?:d(?:['dh]a|af?)|zza)fi|had(?:af?fy|dafi))|Q(?:a(?:d(?:(?:(?:hd)?|t)h|d)?|th)|u(?:at|d)h)afi))

Я думаю, що ти тут ускладнюєш справи. Правильний регулярний вираз так само простий, як:

\u0627\u0644\u0642\u0630\u0627\u0641\u064a

Він відповідає з’єднанню семи кодових арабських кодів Unicode, що утворює слово القذافي (тобто Gadaffi).

Якщо ви хочете уникнути відповідності речам, які ніхто не використовував (тобто уникати тенденції до ". +"), Ваш найкращий підхід - це створити регулярний вираз, який є лише всіма альтернативами (наприклад, (Qadafi | Kadafi | ...) ), потім компілюйте його в DFA, а потім перетворіть DFA назад у звичайний вираз. Якщо припустити помірно обґрунтовану реалізацію, яка дала б вам "стислий" регулярний вираз, який гарантовано не містить несподіваних варіантів.

Якщо у вас є конкретний перелік усіх 30 можливостей, просто об'єднайте їх разом з купою "ors". Тоді ви можете бути впевнені, що він відповідає лише тим, що ви перерахували, і не більше. Ваш RE двигун, ймовірно, зможе оптимізуватись у подальшому, і, ну, з 30 варіантів, навіть якщо це не так, все одно це не велика справа. Намагаючись зіграти навколо, вручну перетворивши його на «розумний» РЕ, можливо, не вийде краще і може вийти гіршим.

(G|Gh|K|Kh|Q|Qh|Q|Qu)(a|au|e|u)(dh|zz|th|d|dd)(dh|th|a|ha|)(\x27|)(a|)(ff|f)(i|y)

Безумовно, не найоптимізованіша версія, розділіть на склади для максимального збігу, намагаючись переконатися, що ми не отримаємо помилкових позитивних результатів.

Отже, оскільки ви співставляєте невеликі слова, чому б не спробувати пошукову систему подібності з відстані Левенштейна ? Ви можете дозволити максимум k вставок або видалень. Таким чином ви можете змінити функцію відстані на інші речі, які краще працюють для вашої конкретної проблеми. У бібліотеці simMetrics є багато функцій.

Можливою альтернативою є онлайн-інструмент для генерування регулярних виразів із прикладів http://regex.inginf.units.it . Дайте шанс!

Чому б не зробити змішаний підхід? Щось між переліком усіх можливостей та складним Regex, що відповідає занадто багато.

Regex стосується відповідності шаблонів, і я не можу побачити шаблон для всіх варіантів у списку. Намагаючись це зробити, ви також знайдете такі речі, як "Gazzafy" або "Quud'haffi", які, швидше за все, не є вживаним варіантом і, безумовно, відсутні у списку.

Але я бачу візерунки для деяких варіантів, і тому я закінчив це:

\b(?:Gheddafi|Gathafi|Kazzafi|Kad'afi|Qadhdhafi|Qadthafi|Qudhafi|Qu?athafi|[KG]h?add?h?aff?[iy]|Qad[dh]?afi)\b

На початку я перераховую ті, де я не бачу візерунка, а потім слідують деякі варіанти, де є шаблони.

Дивіться це тут на www.rubular.com

Я знаю, що це старе питання, але ...

Жоден із цих двох регексів не є найкрасивішим, але вони оптимізовані і обидва відповідають ВСІМ варіаціям у початковій публікації.

"Маленька красуня" №1

(?:G(?:a(?:d(?:d(?:af[iy]|hafi)|af(?:f?i|y)|hafi)|thafi)|h(?:ad(?:daf[iy]|af?fi)|eddafi))|K(?:a(?:d(?:['dh]a|af?)|zza)fi|had(?:af?fy|dafi))|Q(?:a(?:d(?:(?:(?:hd)?|t)h|d)?|th)|u(?:at|d)h)afi)

"Маленька красуня" №2

(?:(?:Gh|[GK])adaff|(?:(?:Gh|[GKQ])ad|(?:Ghe|(?:[GK]h|[GKQ])a)dd|(?:Gadd|(?:[GKQ]a|Q(?:adh|u))d|(?:Qad|(?:Qu|[GQ])a)t)h|Ka(?:zz|d'))af)i|(?:Khadaff|(?:(?:Kh|G)ad|Gh?add)af)y

Спочивай у мирі, Муаммар.

Просто додаток: ви повинні додати "Геддафі" як альтернативне написання. Тож РЕ має бути

\b[KG]h?[ae]dd?af?fi$\b

[GQK] [ahu] + [dtez] + \ '? [Adhz] + f {1,2} (i | y)

Частинами:

• [GQK]
• [агу] +
• [dtez] +
• \ '?
• [adhz] +
• f {1,2} (i | y)

_{Примітка. Просто хотілося зняти це.}

Що ще починається з Q, G або K, має рекламу, z або t посередині і закінчується на "fi", яку люди насправді шукають?

/\b[GQK].+[dzt].+fi\b/i

Зроблено.

>>> print re.search(a, "Gadasadasfiasdas") != None
False
>>> print re.search(a, "Gadasadasfi") != None
True
>>> print re.search(a, "Qa'dafi") != None
True

Цікаво, що я отримую недомовленість. Чи може хтось залишити в коментарях помилкові позитиви?