Question

我有一个字符串列表和一个正则表达列表。我的目标是为每个字符串找到匹配的正则表达式。当然，有时列表中的多个正则表达式将匹配给定的字符串。在这种情况下，我想要一些方法对它们进行排名。

基本上，可以奖励静态零件匹配或更紧凑的东西。例如，假设我的正则表达式是.*:.*和STARTING:\d+，而我的字符串是STARTING:18，那么显然我更加相信第二个正则表达式是更好的匹配，因为它匹配静态内容并预测最后的字符将是数字，而不仅仅是任何内容。

我不确定我是否会看到整体算法会如何发展，以及我是否描述了真正的质量（更紧密的匹配），或者它是否会归结为某种启发式'得分'我' d必须分配给每场比赛。

如果有任何不同，我在python中工作。

Answer 1

我可以想到几种方法 - 这些只是“朝着这个方向迈出的一步”。

首先 - 在Python中，您可以使用debug标记编译正则表达式，该标记为您提供有关如何解释正则表达式的信息。

示例：

import re
p = re.compile('STARTING:\d+', re.DEBUG)

literal 83
literal 84
literal 65
literal 82
literal 84
literal 73
literal 78
literal 71
literal 58
max_repeat 1 65535
  in
    category category_digit

我想说你匹配的字面数越多，可能匹配的字符串就越少。同样，当max_repeat a b后跟in category category_digit时，您知道在1到64k位置可以有10位数字。如果要计算可匹配的所有可能字符串，则数字会非常大。更容易（也更明智）计算该数字的对数。对于调试输出中的每一行，您都可以确定该值是什么。

在这种情况下，它将是

0+0+0+0+0+0+0+0+0+(65535)*log(10)

相当多的人。但是如果你使用了另一个表达式

p = re.compile('.*:.*', re.DEBUG)

你得到了

max_repeat 0 65535
  any None
literal 58
max_repeat 0 65535
  any None

你的“熵”计算为log（255）* 65536 + 0 + log（255）* 65536

超过4倍......

这将是一个棘手的事情 - 特别是如果你开始添加环顾四周等等。但对于简单的表达式它可以完成 - 它应该让你有一种感觉，哪个是'最佳'表达。

查看像RegexBuddy这样的工具的输出会更好，它会将其正则表达式引擎的内部工作转换为“可理解的”输出 - 您可以准确地看到它正在做什么/尝试，以及如何它最终得出了它的匹配。采取这种方法将是理想的，但它是Herculean。

从字符串的正则表达式列表中选择最紧密匹配正则表达式的方法

1 个答案: