Регулярное выражение для поиска Gadaffi

Я пытаюсь найти слово Gadaffi. Какое регулярное выражение лучше всего искать?

Моя лучшая попытка на данный момент:

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

Но мне все еще не хватает некоторых журналов. Какие-либо предложения?

Обновление: я нашел довольно обширный список здесь: http://blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

Ответ ниже соответствует всем 30 вариантам:

Каддафи
Gadafi
Gadafy
Каддафи
Gaddafy
Gaddhafi
М.Каддафи
Каддафи
Ghadaffi
Каддафи
Каддафи
Ghaddafy
Gheddafi
Кадаффи
Кадафи
Каддафи
Каддафи
Kazzafi
Khadaffy
Khadafy
Khaddafi
Qadafi
Каддафи
Каддафи
Qadhdhafi
Qadthafi
Qathafi
Quathafi
Qudhafi
Kad'afi

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

Арабская транскрипция (Wiki говорит) «Qaḏḏāfī», так что, возможно, добавление Q. И одного H («Каддафи», как упоминается в статье (см. Ниже)).

Кстати, почему есть $в конце регулярного выражения?

Кстати, хорошая статья на тему:

Каддафи, Каддафи или Каддафи? Почему имя ливийского лидера пишется так по-разному? ,

РЕДАКТИРОВАТЬ

Чтобы соответствовать всем именам в статье, которую вы упомянули позже , это должно соответствовать им всем. Будем надеяться, что это не будет соответствовать многим другим вещам: D

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

Легко ... (Qadaffi|Khadafy|Qadafi|... )... он самодокументирован, поддерживается и, если ваш механизм регулярных выражений на самом деле компилирует регулярные выражения (а не интерпретирует их), он скомпилирует тот же DFA, что и более запутанное решение.

Написание компактных регулярных выражений похоже на использование коротких имен переменных для ускорения программы. Это помогает, только если ваш компилятор не работает.

Из вашего списка возможных вариантов написания можно отметить одну интересную вещь: в содержащемся списке есть только 3 значения Soundex (если вы игнорируете выброс «Kazzafi»)

G310, K310, Q310

Теперь там есть ложные срабатывания («Годби» также называется G310), но, комбинируя ограниченные удары метафонов, вы также можете их устранить.

<?
$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;
?>

Несколько настроек и, скажем, некоторая транслитерация кириллицы, и у вас будет довольно надежное решение.

Используя модуль 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;

Это производит следующее регулярное выражение:

(?-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, что вы здесь все усложняете. Правильное регулярное выражение так же просто, как:

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

Это соответствует объединению семи арабских кодовых точек Unicode, которые образуют слово القذافي (т.е. Gadaffi).

Если вы хотите избежать сопоставления вещей, которые никто не использовал (то есть избегать стремления к «. +»), Ваш лучший подход - создать регулярное выражение, содержащее только все альтернативы (например, (Qadafi | Kadafi | ...) ) затем скомпилируйте это в DFA, а затем преобразуйте DFA обратно в регулярное выражение. Предполагая умеренно разумную реализацию, которая даст вам «сжатое» регулярное выражение, которое гарантированно не будет содержать неожиданные варианты.

Если у вас есть конкретный список всех 30 возможностей, просто объедините их вместе с кучей «или». Тогда вы можете быть уверены, что он соответствует только тем вещам, которые вы перечислили, и не более. Ваш двигатель RE, вероятно, сможет оптимизировать в дальнейшем, и, ну, с 30 вариантами выбора, даже если это не так, это все же не имеет большого значения. Попытка возиться с ручным превращением его в «умный» RE не может быть лучше и может оказаться хуже.

(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)

Конечно, не самая оптимизированная версия, разделить на слоги, чтобы максимизировать совпадения, пытаясь убедиться, что мы не получаем ложных срабатываний.

Ну, так как вы сопоставляете маленькие слова, почему бы вам не попробовать поисковую систему схожести с расстоянием Левенштейна ? Вы можете разрешить не более k вставок или удалений. Таким образом, вы можете изменить функцию расстояния на другие вещи, которые лучше подходят для вашей конкретной задачи. В библиотеке simMetrics доступно много функций.

Возможной альтернативой является онлайн-инструмент для генерации регулярных выражений из примеров http://regex.inginf.units.it . Дай этому шанс!

Почему бы не сделать смешанный подход? Что-то среднее между списком всех возможностей и сложным регулярным выражением, которое слишком сильно совпадает.

Regex - это сопоставление с образцом, и я не вижу шаблон для всех вариантов в списке. Попытка сделать это также найдет такие вещи, как «Gazzafy» или «Quud'haffi», которые, скорее всего, не являются используемым вариантом и определенно отсутствуют в списке.

Но я вижу шаблоны для некоторых вариантов, и в итоге я получил следующее:

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

Вначале я перечисляю те, где я не вижу паттерн, затем следуют несколько вариантов, где есть паттерны.

Смотрите это здесь на www.rubular.com

Я знаю, что это старый вопрос, но ...

Ни один из этих двух регулярных выражений не является самым красивым, но они оптимизированы и оба соответствуют ВСЕМ вариантам в оригинальном посте.

"Маленькая красавица" # 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)

"Маленькая красавица" # 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

Покойся с миром, Муамар.

Просто дополнение: вы должны добавить «Gheddafi» в качестве альтернативного написания. Таким образом, RE должно быть

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

[GQK] [ах] + [dtez] + \ '[adhz] + ж {1,2} (я | у)?

По частям:

• [GQK]
• [Ах] +
• [Dtez] +
• \ '?
• [Adhz] +
• е {1,2} (я | у)

_{Примечание: просто хотел попробовать.}

Что еще начинается с Q, G или K, имеет ad, z или t в середине и заканчивается на «fi», которые люди фактически ищут?

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

Выполнено.

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

Интересно, что меня опускают. Может кто-то оставить ложные срабатывания в комментариях?