从正则表达式中提取静态字符串

Question

我正在尝试有效地提取静态字符串（必须匹配给定正则表达式匹配的字符串）。我已经能够在最简单的情况下做到这一点，但我正在努力发现一个更强大的解决方案。

---

给出正则表达式，例如下面的正则表达式

"fox jump(ed|ing|s)"

会给我们

"fox,jumped,jumping,jumps"

---

另一个例子是

"fox jump(ed|ing|s)?"

会给我们

"fox,jump"

因为可选的运算符

---

我现在的算法过于简单了。它将从正则表达式的末尾开始并删除组或单个字符，然后是这些运算符“*？”以及“爆炸”分组OR运算符“（|）”。这种方法效果很好，但没有考虑正则表达式的完整语法。您可以将其视为正则表达式的最小集合生成过程（正则表达式可以“生成/必须匹配”的最小字符串集合）。

的 WHY吗 的 我试图将一堆文本与一大堆正则表达式进行匹配。如果我可以获得“必需”这些正则表达式的“关键字”列表，我可以对该关键字进行快速文本搜索，以过滤我关心的正则表达式（忽略我保证不匹配的正则表达式，甚至跳过该文本完全有效地没有在文本上运行任何正则表达式，因为我们保证在我们的正则表达集中没有匹配）。我可以在一个有效的数据结构（Binary Search / Trie / Aho-Corasick）中组织这组关键字，以便在我尝试通过有限自动机运行文本之前过滤一组正则表达式。在尝试运行正则表达式之前，我可以将极快的字符串匹配算法作为过滤阶段运行。在这个简单的过程中，我已经能够提高吞吐量。

Answer 1

如果我正确理解你的问题，你正在寻找一组单词，这样所有这些单词都是（给定的）正则表达式接受的任何单词的（不相交的）子串。

我的猜测是这样的一组通常是空的，但是可以找到它。

为了找到这样的集合，我提出了以下算法：

1. 找到与输入正则表达式对应的FA。
2. 识别起始状态S和接受状态F之间的桥（https://en.wikipedia.org/wiki/Bridge_(graph_theory））。例如，可以通过移除边E并询问FA中是否存在从S到E的路径来完成。删除 - 对所有边缘重复此操作。
3. 在接受运行期间必须击中作为桥的所有边，并且每条边对应于输入字母。
4. 您现在可以通过端到端连接后续桥接边缘来生成所需的单词。

我认为从算法结构可以看出FA（而不是DFA）足以使其工作。再一次，证明会很好，但我认为它应该有效：）

Answer 2

查看库Xeger，它给出了一个正则表达式，它将为您提供所有匹配的字符串。

您似乎只想保留这些字符串的公共前缀（您说要忽略可选运算符的部分），但如果您这样做，您可能会捕获具有该公共前缀但没有您想要的结尾的叮咬（例如＆＃34;跳跃＆＃34;在你的例子中）。如果这不是问题，那么只需找到Xeger给出的最短字符串，假设可选运算符仅出现在正则表达式的末尾。