Question

我想输入一个字符串并返回一个可用于描述字符串结构的正则表达式。正则表达式将用于查找与第一个相同结构的更多字符串。

这是故意模棱两可的，因为我肯定会错过SO社区中有人会抓住的案例。

请发布任何和所有可能的方法来执行此操作。

Answer 1

琐碎的答案，可能不是你想要的，是：返回输入字符串（使用正则表达式特殊字符转义）。这始终是与字符串匹配的正则表达式。

如果您希望识别某些结构，则必须提供有关您希望识别的结构类型的更多信息。没有这些信息，问题就会以模棱两可的方式陈述，并且有许多可能的解决方案。例如，输入字符串'aba'可以描述为

'ABA'

'ABA *'

'ABA？'

'AB \ W'

'\ W {3}'

'（）。B \ 1'

等

Answer 2

对不起这件事的长度。我把这个作为一个小挑战的前提出现了用Ruby中的概念证明。

我的假设是你可以提供一些与正则表达式（HITS）匹配的字符串和一个不匹配的数字（MISSES）。

我将代码基于遗传算法的简单实现。请参阅底部的注释，了解我对此方法成功与否的看法。

LOOP_COUNT = 100

class Attempt

  # let's try email
  HITS    = %w[j@j.com j@j.co.uk gates@microsoft.com sales@microsoft.com sjobs@apple.com sales@apple.com frddy@aol.com thing1@charity.org sales@mybad.org.uk thing.one@drseuss.com]
  MISSES  = %w[j@j j@j@.com j.com @domain.com nochance eric@google. eric@google.com. username-at-domain-dot-com linux.org eff.org microsoft.com sjobs.apple.com www.apple.com]

  # odd mixture of numbers and letters, designed to confuse
  # HITS = %w[a123 a999 a600 a545 a100 b001 b847 a928 c203]
  # MISSES = %w[abc def ghi jkl mno pqr stu vwx xyz h234 k987]

  # consonants versus vowels
  # HITS = %w[bcd cdb fgh ghf jkl klj mnp npm qrs srq tvw vwt xzb bzx]
  # MISSES = %w[aei oyu oio euu uio ioe aee ooo]

  # letters < 11 chars and no numbers
  # HITS = %w[aaa aaaa abaa azaz monkey longstring stringlong]
  # MISSES = %w[aa aa1 aa0 b9b 6zz longstringz m_m ff5 666 anotherlongstring]

  MAX_SUCCESSES = HITS.size + MISSES.size

  # Setup the various Regular Expression operators, etc..
  RELEMENTS = %w[. ? * + ( ) \[ \] - | ^ $ \\ : @ / { }]
  %w[A b B d D S s W w z Z].each do |chr|
    RELEMENTS << "\\#{chr}"
  end
  %w[alnum alpha blank cntrl digit lower print punct space upper xdigit].each do |special|
    RELEMENTS << "[:#{special}:]"
  end
  ('a'..'z').each do |chr|
    RELEMENTS << chr
  end
  ('A'..'Z').each do |chr|
    RELEMENTS << chr
  end
  (0..9).each do |chr|
    RELEMENTS << chr.to_s
  end

  START_SIZE = 8

  attr_accessor :operators, :successes

  def initialize(ary = [])
    @operators = ary
    if ary.length < 1
      START_SIZE.times do
        @operators << random_op
      end
    end
    @score = 0
    @decay = 1
    make_regexp
  end

  def make_regexp
    begin
      @regexp = Regexp.new( @operators.join("") )
    rescue
      # "INVALID Regexp"
      @regexp = nil
      @score = -1000
    end
  end

  def random_op
    RELEMENTS[rand(RELEMENTS.size)]
  end

  def decay
    @decay -= 1
  end

  def test
    @successes = 0
    if @regexp
      HITS.each do |hit|
        result = (hit =~ @regexp)
        if result != nil
          reward
        end
      end
      MISSES.each do |miss|
        result = (miss =~ @regexp)
        if result == nil
          reward
        end
      end
    end
    @score = @successes
    self
  end

  def reward
    @successes += 1
  end

  def cross other
    len = size
    olen = other.size
    split = rand(len)
    ops = []
    @operators.length.times do |num|
      if num < split
        ops << @operators[num]
      else
        ops << other.operators[num + (olen - len)]
      end
    end
    Attempt.new ops
  end

  # apply a random mutation, you don't have to use all of them
  def mutate
    send [:flip, :add_rand, :add_first, :add_last, :sub_rand, :sub_first, :sub_last, :swap][rand(8)]
    make_regexp
    self
  end

  ## mutate methods
  def flip
    @operators[rand(size)] = random_op
  end
  def add_rand
    @operators.insert rand(size), random_op
  end
  def add_first
    @operators.insert 0, random_op
  end
  def add_last
    @operators << random_op
  end
  def sub_rand
    @operators.delete_at rand(size)
  end
  def sub_first
    @operators.delete_at 0
  end
  def sub_last
    @operators.delete_at size
  end
  def swap
    to = rand(size)
    begin
      from = rand(size)
    end while to == from
    @operators[to], @operators[from] = @operators[from], @operators[to]
  end

  def regexp_to_s
    @operators.join("")
  end

  def <=> other
    score <=> other.score
  end

  def size
    @operators.length
  end

  def to_s
    "#{regexp_to_s} #{score}"
  end

  def dup
    Attempt.new @operators.dup
  end

  def score
    if @score > 0
      ret = case
      when (size > START_SIZE * 2)
        @score-20
      when size > START_SIZE
        @score-2
      else
        @score #+ START_SIZE - size
      end
      ret + @decay
    else
      @score + @decay
    end
  end

  def == other
    to_s == other.to_s
  end

  def stats
    puts "Regexp #{@regexp.inspect}"
    puts "Length #{@operators.length}"
    puts "Successes #{@successes}/#{MAX_SUCCESSES}"
    puts "HITS"
    HITS.each do |hit|
      result = (hit =~ @regexp)
      if result == nil
        puts "\tFAIL #{hit}"
      else
        puts "\tOK #{hit} #{result}"
      end
    end
    puts "MISSES"
    MISSES.each do |miss|
      result = (miss =~ @regexp)
      if result == nil
          puts "\tOK #{miss}"
        else
          puts "\tFAIL #{miss} #{result}"
      end
    end
  end

end

$stderr.reopen("/dev/null", "w") # turn off stderr to stop streams of bad rexexp messages

# find some seed attempt values
results = []
10000.times do
  a = Attempt.new
  a.test
  if a.score > 0
    # puts "#{a.regexp_to_s} #{a.score}"
    results << a
  end
end

results.sort!.reverse!

puts "SEED ATTEMPTS"
puts results[0..9]

old_result = nil

LOOP_COUNT.times do |i|
  results = results[0..9]
  results.map {|r| r.decay }
  3.times do
    new_results = results.map {|r| r.dup.mutate.test}
    results.concat new_results
    new_results = results.map {|r| r.cross( results[rand(10)] ).test }
    results.concat new_results
  end
  new_results = []
  20.times do
    new_results << Attempt.new.test
  end
  results.concat new_results
  results.sort!.reverse!
  if old_result != results[0].score
    old_result = results[0].score
  end
  puts "#{i}   #{results[0]}"
end
puts "\n--------------------------------------------------"
puts "Winner! #{results[0]}"
puts "--------------------------------------------------\n"
results[0].stats

使用此代码学到的经验教训。

总的来说，似乎多次运行较短的循环最有可能产生可用的结果。然而，这可能是由于我的实施而不是遗传算法的本质。

您可能会得到有效的结果，但仍然包含乱码的部分。

你需要非常牢固地掌握正则表达式，以了解有多少结果实际上达到了它们的目的。

最终，花在学习正则表达式上的时间可能比尝试将此代码用作快捷方式要好得多。我意识到提问者可能没有这种动机，我尝试这个的原因是因为这是一个有趣的想法。

结果中有许多权衡取舍。您提供的HITS和MISSES越多样化，产生结果所需的时间越长，您必须运行的循环越多。每个较少的结果可能会产生一个结果，该结果要么大量特定于您提供的字符串，要么非常通用，以至于它在现实世界中不会有用。

我还对一些假设进行了硬编码，例如标记过长的表达式。

Answer 3

import刚刚发布了一个免费工具，可以从示例字符串集中派生出正则表达式模式：“给出它想要提取的数据示例，它将以编程方式生成并测试正则表达式。”

https://regexpgen.import.io/

它是免费的，但需要登录才能使用它。

免责声明：我在import.io工作（这就是我知道这存在的方式）

Answer 4

这个site实际上允许您从示例文本生成正则表达式。您选择了您想要正则表达式的文本字符串的一部分，然后以您选择的语言为您生成它。

看看它，它的常见问题解答中有一个例子 - https://txt2re.com/index.php3?d=faq

以编程方式从字符串派生正则表达式

4 个答案: