用于搜索Gadaffi的正则表达式

我正在尝试搜索Gadaffi一词。搜索此的最佳正则表达式是什么？

到目前为止，我最好的尝试是：

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

但是我似乎仍然缺少一些期刊。有什么建议么？

更新：我在这里找到了一个非常详尽的列表：http : //blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

以下答案与所有​​30个变体匹配：

加达菲
加达菲
加达菲
卡扎菲
卡扎菲
卡扎菲
卡扎菲
加沙菲
加达菲
加达菲
加达菲
加达菲
吉达菲
卡达菲
卡达菲
卡达菲
卡扎菲
卡扎菲
卡达菲
卡达菲
卡达菲
卡达菲
卡扎菲
卡扎菲
卡扎菲
卡扎菲
卡塔菲
夸沙菲
古达菲
卡达菲

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

（维基百科说）阿拉伯语转录为“Qaḏḏāfī”，所以也许加一个Q。然后加上一个H（“ Gadhafi”，如本文所述）。

顺便说一句，为什么$在正则表达式的末尾有一个？

顺便说一句，关于该主题的好文章：

卡扎菲，卡达菲还是卡扎菲？为什么利比亚领导人的名字拼写这么多不同的方式？。

编辑

为了匹配您稍后提到的文章中的所有名称，应该将它们全部匹配。我们只是希望它不会与其他很多东西匹配：D

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

易... ... (Qadaffi|Khadafy|Qadafi|... ... )... ...它的自我记录，维护，并假设你的正则表达式引擎实际上编译正则表达式（而不是将它们解释），它会编译成一个更加模糊的解决方案将使用同一个DFA。

编写紧凑的正则表达式就像使用短变量名来加速程序。仅当您的编译器出现故障时才有用。

潜在拼写列表中值得注意的一件事是，包含的列表只有3个Soundex值（如果您忽略异常值“ Kazzafi”）

G310，K310，Q310

现在，那里存在误报（“ Godby”也为G310），但是通过组合有限的变音器点击，您可以消除它们。

<?
$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;
?>

进行一些调整，然后说西里尔字母音译，您将拥有一个相当强大的解决方案。

使用CPAN模块Regexp :: Assemble：

#!/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;

这将产生以下正则表达式：

(?-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))

我认为您已经使事情变得复杂了。正确的正则表达式很简单：

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

它与构成单词القذافي（即Gadaffi）的七个阿拉伯语Unicode代码点的串联匹配。

如果您想避免匹配没有人使用过的东西（即避免趋向于“。+”），则最好的方法是创建一个正则表达式，该正则表达式就是所有替代方案（例如（Qadafi | Kadafi | ...） ），然后将其编译为DFA，然后将DFA转换回正则表达式。假设有一个合理的实现，它将为您提供一个“压缩”正则表达式，保证不会包含意外的变体。

如果您已列出所有30种可能性的具体清单，只需将它们与一堆“或”串在一起即可。然后，您可以确保它仅匹配列出的确切内容，而不再匹配。您的RE引擎可能可以进一步优化，即使没有，它也可以选择30种选择，但这并不是什么大问题。尝试摆弄手动将其变成“聪明”的RE可能不会变得更好，甚至可能变得更糟。

(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)

当然不是最优化的版本，在音节上进行分割以最大程度地匹配，同时尝试确保我们不会得到误报。

好吧，既然您匹配的是小词，为什么不尝试使用Levenshtein距离尝试相似搜索引擎？您最多可以允许k个插入或删除。这样，您可以将距离函数更改为其他更适合您特定问题的功能。simMetrics库中有许多可用功能。

一种可能的替代方法是从示例http://regex.inginf.units.it生成正则表达式的在线工具。给它一个机会！

为什么不采用混合方法？在所有可能性的列表与复杂的正则表达式之间的匹配程度太大。

正则表达式是关于模式匹配的，我在列表中看不到所有变体的模式。尝试这样做，还会发现“ Gazzafy”或“ Quud'haffi”之类的东西，这些东西很可能不是用过的变体，而且肯定不在列表中。

但是我可以看到某些变体的模式，因此我得出了以下结论：

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

首先，我列出了我看不到模式的那些，然后列出了有模式的一些变体。

在www.rubular.com上查看

我知道这是一个老问题，但是...

这两个正则表达式都不是最漂亮的，但是它们经过了优化，并且都与原始帖子中的所有变体匹配。

“小美女”＃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)

“小美女”＃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

安息吧，穆玛。

只是一个附录：您应该添加“ Gheddafi”作为替代拼写。所以RE应该是

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

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

部分：

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

_{注意：只是想尝试一下。}

还有什么以Q，G或K开头，中间是ad，z或t，然后以人们实际搜索的“ fi”结尾？

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

做完了

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

有趣的是我被选票了。有人可以在评论中留下一些误报吗？