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
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。
其他回答
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?
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 $ra->re;
这将生成以下正则表达式:
(?-xism:(?:G(?:a(?:d(?:d(?:af[iy]|hafi)|af(?:f?i|y)|hafi)|thafi)|h(?:ad(?:daf[iy]|af?fi)|eddafi))|K(?:a(?:d(?:['dh]a|af?)|zza)fi|had(?:af?fy|dafi))|Q(?:a(?:d(?:(?:(?:hd)?|t)h|d)?|th)|u(?:at|d)h)afi))
\ [KGQ] b h添加? h ?房颤?fi \ b
阿拉伯语的翻译是(维基说)“Qaḏḏāfī”，所以可能会加上一个q和一个H(“卡扎菲”，如文章(见下文)所述)。
顺便说一下，为什么在正则表达式的末尾有一个$ ?
顺便说一句，关于这个话题的文章不错:
卡扎菲，卡扎菲，还是卡扎菲?为什么这位利比亚领导人的名字有这么多种拼写方式?
EDIT
为了匹配后面提到的文章中的所有名称，这应该匹配所有名称。我们只希望它不会和其他很多东西匹配:D
\b(Kh?|Gh?|Qu?)[aeu](d['dt]?|t|zz|dhd)h?aff?[iy]\b
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!
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。
