重复字母的Java正则表达式

Question

我找不到匹配重复字母的正则表达式。我的问题是我想使用正则表达式来过滤垃圾邮件，例如，我想使用正则表达式来检测这些字符串中的“垃圾邮件”和“伟哥”： “xxxSpAmyyy” “xxxSPAMyyy” “xxxvI a Gr AA yyy”， “xxxV iiA gR a xxx”

你有什么建议以我的方式做得好吗？

Answer 1

喜欢搜索这个？

"v.{0,3}i.{0,3}a.{0,3}g.{0,3}r.{0,3}a"

请参阅Pattern

---

的代码： 的

这会在字符之间留出0到3个字符的空格。我没有编译以下内容， 但它“应该有效。”

String[] strings = new String[] { ""xxxV iiA gR a xxx"" };
final Pattern spamPattern = makePattern("viagra");
for (String s : strings) {
    boolean isSpam = spamPattern.matcher(s).find();
    if (isSpam) {
        System.out.println("Spam: " + s);
    }
}
...
Pattern makePattern(String cusWord) {
    cusWord = cusWord.toLowerCase();
    StringBuilder sb = new StringBuilder();
    sb.append("(?i)"); // Case-insensitive setting.
    for (int i = 0; i < cusWord.length(); ) {
        int cp = cusWord.codePointAt(i);
        i += Character.charCount(cp);
        if ('o' == cp) {
            sb.append("[o0]");
        } else if ('l' == cp) {
            sb.append("[l1]");
        } else {
            sb.appendCodePoint(cp);
        }
        sb.append(".{0,3}"); // 0 - 3 occurrences of any char.
    }
    return Pattern.compile(sb.toString());
}

Answer 2

这忽略了这种情况，它们是否是一个接一个，或者它们之间还有其他字符需要它们

"(?i).{0,}v.{0,}i.{0,}a.{0,}g.{0,}r.{0,}a.{0,}"

如果您知道字母之间可以有多少个字符，则可以输入.{0,max_distance}而不是.{0,}

更新：

它甚至适用于重复项，因为我已经尝试过了：

    String str = "xxxV iiA gR a xxx";

    if(str.matches("(?i).{0,}v.{0,}i.{0,}a.{0,}g.{0,}r.{0,}a.{0,}")){
        System.out.println("Yes");
    }
    else{
        System.out.println("No");
    }

这会打印Yes

Answer 3

我想，你的方向错了。过滤垃圾邮件与机器学习密切相关。我建议你阅读 Bayesian spam filtering 。

如果你认为，你会收到拼写错误的单词（以及其他类型的垃圾）的垃圾邮件 - 我建议不要使用基于整个单词的过滤，而是基于 n-grams

Answer 4

你试过任何正则表达式吗？

\w*[sSpPaAmM]+\w*之类的东西可以做到这一点

您可以在此网站上测试您的RE：http://www.regexplanet.com/advanced/java/index.html

Answer 5

您可以尝试使用positive look-aheads

(?=.*v)(?=.*i)(?=.*a)(?=.*g)(?=.*r)(?=.*a).*

编辑：

(?=.*v.*i.*a.*g.*r.*a.*).*