反转sprintf /格式的方法

Question

我必须通过分析格式化结果来启发式地确定格式模式字符串。

例如我有这些字符串：

  

您有 3 条未读讯息。

     

您有 10 条未读讯息。

     

对不起，戴夫。我恐怕不能那样做。

     

对不起， Frank 。我恐怕不能那样做。

     

这句话是错误的。

我想得到这些格式字符串：

  

您有％s 未读消息

     

对不起，％s 。我恐怕不能那样做。

     

这句话是错误的。

哪些方法和/或算法可以帮助我？

我的第一个想法是使用机器学习的东西，但我的胆量告诉我这可能是一个相当经典的问题。

一些额外要求：

• 参数的类型无关紧要，即如果参数最初是%s或%d，或者填充或对齐，我就不需要这些信息。
• 可以有多个参数（或根本没有参数）
• 通常，数据由数千个格式化字符串组成，但只有数十种格式模式。

Answer 1

1. 通过一些相似度量对字符串进行聚类（我尝试了最长公共子序列的长度，LCS）。如果你事先不知道，Determining the number of clusters是很难的部分。

2. 在每个群集中，确定其中所有字符串的LCS，记录发生的间隙的位置。用%s替换间隙。 （您可能希望构建一个函数，该函数返回基于LCS的格式字符串以及集群上的fold / reduce。）

上面是一个贪婪的算法，给定{foobar，fooBaR}会产生foo%sa%s。您可能希望以递归方式替换单个%s由单个字符（或单个非空白字符等）分隔的%s出现的任何一对。