我正在搜索“卡扎菲”这个词，这个词有很多种拼写方式。搜索这个最好的正则表达式是什么?
以下是30个变体的列表:
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
目前为止我最好的尝试是:
\b[KG]h?add?af?fi$\b
但我似乎还是遗漏了一些变体。有什么建议吗?
当前回答
(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化匹配，同时试图确保我们不会得到假阳性。
其他回答
如果你有一个包含30种可能性的具体清单，那就用一堆“or”把它们连在一起。然后你可以确保它只匹配你列出的东西，而不是更多。你的RE引擎可能会进一步优化，而且，好吧，有30个选择，即使它没有，它仍然不是一个大问题。试图手动将其转换为“聪明的”RE不可能得到更好的结果，结果可能更糟。
从潜在拼写列表中需要注意的一件有趣的事情是，包含的列表中只有3个Soundex值(如果忽略离群值'Kazzafi')
G310, k310, q310
现在，这里存在误报(“Godby”也是G310)，但是通过结合有限的变音位命中，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;
?>
稍作调整，再加上一些西里尔字母的音译，您将得到一个相当健壮的解决方案。
如果你想避免匹配没有人使用过的东西(即避免倾向于“。+”)，你最好的方法是创建一个正则表达式，它只是所有的替代方案(例如。(Qadafi|Kadafi|…))然后将其编译为DFA，然后将DFA转换回正则表达式。假设一个适度合理的实现会给您一个“压缩”正则表达式，它保证不包含意外的变量。
还有什么是以Q, G或K开头，中间有d, z或t，并以人们实际搜索的“fi”结尾的呢?
/\b[GQK].+[dzt].+fi\b/i
完成了。
>>> 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，我被否决了。有人能在评论里留下一些假阳性吗?
一个可能的替代方案是从示例http://regex.inginf.units.it生成正则表达式的在线工具。 给它一个机会吧!
