从字符串集派生RegExp

Derive RegExp from set of strings

本文关键字：RegExp 派生 字符串      更新时间：2023-10-16

想象一下有一组任意的字符串。我们现在假设，除了几个后续字符之外，它们都是相等的（如果这个假设不成立，我可以返回一个错误）。我现在想要派生一个正则表达式来标识字符串中不同的部分。

输入："你好，爱丽丝，我是鲍勃输出："你好（.+），我是鲍勃。"输入："星期一"、"树"、"狗"输出：错误

也许找到最长的公共子串或Levenstein距离会有所帮助？我还不确定其中一个是否真的适用于我的问题，或者如何使用它们来解决它。

您遇到了一个问题，决定使用regexp来解决它——现在您有两个问题。：-）

抛开玩笑不谈，你可以把它分解为两个步骤：

  1. 识别字符串之间的差异
  2. 看看所有的差异，找出一个正则表达式来匹配它们

对于（1），需要在您的语言中使用diff计算库（如Python中的difflib）来查找两个字符串之间相同区域的列表。如果所有字符串都有公共段，那么将字符串-1与字符串-[2..N]中的每一个进行比较，以分析得到的相同块（在比较每个块的内容及其相对于其他相同块的位置时，你必须聪明）。提取并记录相同块之间的文本。

对于您的示例，每次比较时都会得到两个相同的块："Hello "和", I'm Bob."。相同块之间的文本将是以下字符串："Alice"、"John"、"Josh"。

对于（2），最简单的解决方案是将您的发现组合成一个相当字面的正则表达式，该正则表达式由以下部分组成：

Hello+(Alice|John|Josh)+, I'm Bob.

或者，用.*替换所有字符串中相同块之间的任何段。考虑将其作为非贪婪匹配——.*?。

我不知道自动机理论，也不能帮助你进行DFA/NFA，但如果你需要更高的精度，这是一个坚实的方向。

相关文章：