ガダフィを検索する正規表現

ガダフィという単語を検索しようとしています。これを検索するのに最適な正規表現は何ですか？

これまでの私の最善の試みは：

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

しかし、私はまだいくつかのジャーナルが欠けているようです。助言がありますか？

更新：ここにかなり広範なリストを見つけました：http : //blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

以下の答えは、30のバリアントすべてに一致します。

ガダフィ
カダフィ
ガダフィ
カダフィ
ガダフィ
カダフィ
カダフィ
ガタフィ
ガダフィ
ガダフィ
ガダフィ
ガダフィ
ゲダフィ
カダフィ
カダフィ
カダフィ
カダフィ
カザフィ
カダフィ
カダフィ
カダフィ
カダフィ
カダフィ
カダフィ
カダフィ
カダフィ
カサフィ
Quathafi
クダフィ
カダフィ

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

アラビア語の文字起こしは（ウィキによると）「Qaḏḏāfī」なので、おそらくQを追加します。1つのH（記事（下記を参照）で言及されているように、「Gadhafi」）。

ところで、なぜ$正規表現の最後にaがあるのですか？

ところで、このトピックに関する素晴らしい記事：

カダフィ、カダフィ、カダフィ？なぜリビアの指導者の名前はそれほど多くの異なる方法で綴られているのですか？。

編集

後で言及した記事のすべての名前に一致させるには、これがすべてに一致する必要があります。それが他の多くのものと一致しないことを願いましょう：D

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

簡単... (Qadaffi|Khadafy|Qadafi|... )...自己文書化され、保守可能であり、正規表現エンジンが実際に正規表現をコンパイルする（それらを解釈するのではなく）と想定すると、難読化されたソリューションと同じDFAにコンパイルされます。

コンパクトな正規表現の記述は、短い変数名を使用してプログラムを高速化するようなものです。コンパイラが頭の痛い場合にのみ役立ちます。

潜在的なスペルのリストから注意すべき1つの興味深いことは、含まれているリストには3つのSoundex値しかないことです（外れ値「Kazzafi」を無視した場合）。

G310、K310、Q310

現在、そこには誤検知があります（ 'Godby'もG310です）が、限定されたmetaphoneヒットも組み合わせることで、それらを排除できます。

<?
$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;
?>

いくつかの微調整、そしてキリル文字の音訳を言うと、かなり堅牢なソリューションになります。

CPANモジュールRegexp :: Assembleを使用：

#!/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;

これにより、次の正規表現が生成されます。

(?-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))

ここであなたは物事を複雑にしています。正しい正規表現は次のように簡単です。

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

これは、القذافي（ガダフィ）などの単語を形成する7つのアラビア語Unicodeコードポイントの連結に一致します。

誰も使用していないものとの一致を避けたい場合（つまり、「。+」の傾向を避けたい場合）の最善の方法は、すべての代替手段である正規表現を作成することです（たとえば（Qadafi | Kadafi | ...） ）次に、それをDFAにコンパイルし、DFAを正規表現に変換します。予想外のバリアントを含まないことが保証されている「圧縮された」正規表現を提供する、適度に賢明な実装を想定しています。

30の可能性すべての具体的なリストがある場合は、それらを「or」の束でまとめて連結します。そうすれば、リストしたものと正確に一致するだけで、それ以上は一致しないことを確認できます。あなたのREエンジンはおそらくさらに最適化することができ、そうでない場合でも30の選択肢がありますが、それはまだ大したことではありません。手動でそれを「賢い」REに変えることでいじくり回そうとすることは、おそらくうまくいかず、悪くなるかもしれません。

(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)

確かに最も最適化されたバージョンではありません。誤検出がないことを確認しながら、一致を最大化するために音節で分割します。

さて、小さな単語と一致しているので、レーベンシュタイン距離で類似検索エンジンを試してみませんか？最大でk回の挿入または削除を許可できます。このようにして、距離関数を、特定の問題により効果的に機能する他のものに変更できます。simMetricsライブラリには多くの関数が用意されています。

可能な代替策は、例http://regex.inginf.units.itから正規表現を生成するためのオンラインツールです。チャンスを与えてください！

混合アプローチをしてみませんか？すべての可能性のリストとあまりにも一致する複雑な正規表現の間の何か。

正規表現はパターンマッチングに関するものであり、リスト内のすべてのバリアントのパターンを表示できません。そうしようとすると、 "Gazzafy"や "Quud'haffi"のようなものも見つかりますが、これらはおそらく使用されているバリアントではなく、リストに間違いなく含まれています。

しかし、いくつかのバリアントのパターンを見ることができるので、次のようになりました。

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

最初に、パターンが表示されないものをリストしてから、パターンのあるバリアントをいくつか示します。

ここwww.rubular.comでご覧ください

これは古い質問であることは知っていますが、...

これら2つの正規表現はどちらもきれいではありませんが、最適化されており、どちらも元の投稿のすべてのバリエーションに一致します。

「小さな美しさ」＃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)

「小さな美しさ」＃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

安らかに眠れ、ムアンマル。

単なる補遺：代替スペルとして「Gheddafi」を追加する必要があります。したがって、REは

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

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

部分的に：

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

_{注：これを試してみたかっただけです。}

Q、G、またはKで始まり、途中にad、z、またはtがあり、人々が実際に検索する「fi」で終わるものは何ですか。

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

できました。

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

興味深いことに、私は反対票を投じています。コメントに誤検知を残すことはできますか？