Wyrażenie regularne do wyszukiwania Gadaffi

Próbuję wyszukać słowo Gadaffi. Jakie jest najlepsze wyrażenie regularne do wyszukiwania?

Jak dotąd moja najlepsza próba to:

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

Ale nadal wydaje mi się, że brakuje mi niektórych czasopism. Jakieś sugestie?

Aktualizacja: Znalazłem dość obszerną listę tutaj: http://blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

Poniższa odpowiedź pasuje do wszystkich 30 wariantów:

Gadaffi
Kadafi
Gadafij
Kadafi
Kadafi
Kaddafiego
Kaddafiego
Gathafi
Ghadaffi
Ghadafi
Ghaddafi
Ghaddafy
Gheddafi
Kadaffi
Kadafi
Kadafi
Kaddafi
Kazzafi
Khadaffy
Khadafy
Khaddafi
Kadafi
Kadafi
Kaddafi
Kaddafi
Kadafi
Qathafi
Quathafi
Qudhafi
Kad'afi

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

Arabska transkrypcja to (mówi Wiki) „Qaḏḏāfī”, więc może dodać Q. I jeden H („Gadhafi”, jak wspomniano w artykule (patrz poniżej)).

Przy okazji, dlaczego jest $na końcu wyrażenia regularnego?

Przy okazji fajny artykuł na ten temat:

Kadafi, Kadafi czy Kadafi? Dlaczego imię lidera Libii jest pisane na tak wiele różnych sposobów? .

EDYTOWAĆ

Aby dopasować wszystkie nazwy w artykule, o którym wspominałeś później , powinno to być zgodne dla wszystkich. Miejmy nadzieję, że nie będzie pasować do wielu innych rzeczy: D

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

Łatwo (Qadaffi|Khadafy|Qadafi|...) ... jest to samo udokumentowane, utrzymaniu, a przy założeniu, że silnik regexp faktycznie kompiluje wyrażenia regularne (zamiast je interpretować), skompiluje się do tego samego DFA, co rozwiązanie bardziej zaciemnione.

Pisanie kompaktowych wyrażeń regularnych przypomina używanie krótkich nazw zmiennych w celu przyspieszenia programu. Pomaga to tylko wtedy, gdy twój kompilator jest martwy.

Jedną z interesujących rzeczy na liście potencjalnych pisowni jest to, że dla zawartej listy są tylko 3 wartości Soundex (jeśli zignorujesz wartość odstającą „Kazzafi”)

G310, K310, Q310

Teraz są tam fałszywe alarmy („Godby” to także G310), ale łącząc również ograniczone trafienia metafonowe, możesz je wyeliminować.

<?
$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;
?>

Kilka drobnych poprawek i powiedzmy trochę cyrylicy, a otrzymasz dość solidne rozwiązanie.

Korzystanie z modułu CPAN 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;

Daje to następujące wyrażenie regularne:

(?-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))

Myślę, że przesadzasz. Prawidłowe wyrażenie regularne jest tak proste, jak:

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

Odpowiada konkatenacji siedmiu punktów kodu Unicode arabskiego, które tworzą słowo القذافي (tj. Gadaffi).

Jeśli chcesz uniknąć dopasowywania rzeczy, których nikt nie użył (tj. Unikaj tendencji do „. +”), Najlepszym rozwiązaniem byłoby utworzenie wyrażenia regularnego zawierającego tylko wszystkie alternatywy (np. (Qadafi | Kadafi | ...) ), a następnie skompiluj to w DFA, a następnie przekonwertuj DFA z powrotem na wyrażenie regularne. Zakładając umiarkowanie sensowną implementację, która dałaby ci „skompresowane” wyrażenie regularne, które z pewnością nie zawiera nieoczekiwanych wariantów.

Jeśli masz konkretną listę wszystkich 30 możliwości, po prostu połącz je wszystkie z kilkoma „orami”. Dzięki temu możesz mieć pewność , że pasuje ono tylko do dokładnie wymienionych rzeczy, i nic więcej. Twój silnik RE prawdopodobnie będzie w stanie dalej optymalizować i, no cóż, z 30 wyborami, nawet jeśli nie, to nadal nie jest wielka sprawa. Próba manipulacji z ręcznym przekształceniem go w „sprytną” RE nie może być lepsza i może okazać się gorsza.

(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)

Z pewnością nie jest to najbardziej zoptymalizowana wersja, podzielona na sylaby, aby zmaksymalizować dopasowania, jednocześnie starając się nie dopuścić do fałszywych trafień.

Skoro dopasowujesz małe słowa, dlaczego nie wypróbować wyszukiwarki podobieństwa z odległością Levenshteina ? Możesz zezwolić na maksymalnie k wstawiania lub usuwania. W ten sposób możesz zmienić funkcję odległości na inne, które działają lepiej w przypadku konkretnego problemu. W bibliotece simMetrics dostępnych jest wiele funkcji.

Możliwą alternatywą jest internetowe narzędzie do generowania wyrażeń regularnych z przykładów http://regex.inginf.units.it . Daj temu szansę!

Dlaczego nie zastosować podejścia mieszanego? Coś między listą wszystkich możliwości a skomplikowanym Regexem, który pasuje zbyt wiele.

Regex dotyczy dopasowywania wzorów i nie widzę wzoru dla wszystkich wariantów na liście. Próbując to zrobić, znajdziesz również takie rzeczy jak „Gazzafy” lub „Quud'haffi”, które najprawdopodobniej nie są używanym wariantem i zdecydowanie nie są na liście.

Ale widzę wzory dla niektórych wariantów, więc skończyłem z tym:

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

Na początku wymieniam te, w których nie widzę wzoru, a następnie kilka wariantów, w których są wzory.

Zobacz tutaj na www.rubular.com

Wiem, że to stare pytanie, ale ...

Żadne z tych dwóch wyrażeń regularnych nie jest najładniejsze, ale są one zoptymalizowane i oba pasują do WSZYSTKICH odmian oryginalnego postu.

„Mała piękność” nr 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)

„Mała piękność” # 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

Spoczywaj w pokoju, Muammar.

Tylko dodatek: należy dodać „Gheddafi” jako alternatywną pisownię. Tak powinno być RE

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

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

W częściach:

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

_{Uwaga: Chciałem tylko spróbować.}

Co jeszcze zaczyna się od Q, G lub K, ma reklamę, z lub t w środku, a kończy na „fi”, którego ludzie naprawdę szukają?

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

Gotowy.

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

Ciekawe, że jestem doceniany. Czy ktoś może zostawić w komentarzach fałszywe alarmy?