bash子序列匹配加速

我想知道是否有一种简单的方法可以检查一个字符串是否是bash中另一个字符串的子序列，实际上是一个具有额外规则的子序列。我会解释的

“苹果”的一些子序列是“aple”、“al”、“pp”和“ale”。我想得到的子序列有一个额外的规则，就是那些以与字符串相同的字母开始和结束的序列，所以只有“aple”和“ale”符合我的要求

我制作了以下程序：

#!/bin/bash
while read line
do
    search=$(echo "$line" | tr -s 'A-Za-z' | sed 's/./\.\*&/g;s/^\.\*//' )
    expr match "$1" "$search" >/dev/null && echo "$line"
done

其执行如下：

./program.sh greogdgedlqfe < words.txt

/program.sh greogdgedlqfe

这个程序可以工作，但速度很慢

它获取文件的每一行，将其修改为正则表达式，然后检查它们是否匹配，然后打印原始行。例如：

其中一行有单词google

$search变为g.*o.*g.*l.*e（重复的字母被压缩，额外规则）

然后我们用给定的参数检查这个表达式，如果它匹配，我们打印行：google

这很好，但是当words.txt文件太大时，这个程序会变得太慢。我如何加速我的程序，可能是通过更快的匹配子序列

在可能的Kamilcuk解决方案后编辑

---

该解决方案返回字符串“qwertyuihgfcvbnhjk”的quick、quin、qwerty，并且只返回quick，因此它几乎是正确的，但还不完全正确。

bash

不需要使用

expr

（外部程序）进行正则表达式匹配；它提供对系统库的内置访问

#!/bin/bash
while read line
do
    search=$(echo "$line" | tr -s 'A-Za-z' | sed 's/./\.\*&/g;s/^\.\*//' )
    [[ $1 =~ $search ]] && echo "$line"
done

---

bash

不需要使用

expr

（外部程序）进行正则表达式匹配；它提供对系统库的内置访问

#!/bin/bash
while read line
do
    search=$(echo "$line" | tr -s 'A-Za-z' | sed 's/./\.\*&/g;s/^\.\*//' )
    [[ $1 =~ $search ]] && echo "$line"
done

---

您可以使用模式而不是正则表达式。只需在每个单词的每个字母后插入星号（最后一个字母除外），并使用正常模式匹配

#!/bin/bash
while read line
do
    pattern=""
    for ((i=${#line}-1 ; i>=0 ; --i)) ; do
        pattern="${line:i:1}*"$pattern
    done
    pattern=${pattern%'*'}

    if [[ "$1" == $pattern ]] ; then
        echo "$line"
    fi
done

---

您可以使用模式而不是正则表达式。只需在每个单词的每个字母后插入星号（最后一个字母除外），并使用正常模式匹配

#!/bin/bash
while read line
do
    pattern=""
    for ((i=${#line}-1 ; i>=0 ; --i)) ; do
        pattern="${line:i:1}*"$pattern
    done
    pattern=${pattern%'*'}

    if [[ "$1" == $pattern ]] ; then
        echo "$line"
    fi
done

试着这样做：

grep -x "$(<<<"$1" tr -s 'A-Za-z' | sed 's/./&*/g;s/\*$//;s/\*//1')" words.txt

对于

set--greogdgedlqfe

它只输出

google

如果我没弄错的话，苹果公司的“后续”就是一切符合

ap*l*e

的东西

像这样尝试：

grep -x "$(<<<"$1" tr -s 'A-Za-z' | sed 's/./&*/g;s/\*$//;s/\*//1')" words.txt

对于

set--greogdgedlqfe

它只输出

google

如果我没弄错的话，苹果公司的“后续”就是一切符合

ap*l*e

的东西

---

使用regexp很难击败

perl

性能

性能的关键是避免分叉额外的进程。这里介绍的大多数bash解决方案（基于KamilCuk

grep

的解决方案除外，它并不总是正确的）都需要多次调用sed、tr等。Perl的性能将优于这些解决方案。即使可以实现一个纯bash解决方案（使用bash-RE，patterns），当单词列表的大小很大时，Perl的性能也可能优于它

考虑

program.pl appl

#! /usr/bin/perl
use strict ;

my $word = shift @ARGV ;

while ( <> ) {
    chomp ;
    my $p = $_ ;
    tr/A-Za-z//s ;
    s/(.)/.*$1/g ;
    s/^\.\*// ;
    print $p, "\n" if $word =~ "^$_\$" ;
} ;

#/usr/bin/perl
严格使用；
my$word=shift@ARGV；
而（）{
咀嚼；
我的$p=$\；
tr/A-Za-z//s；
每克1美元；
s/^\.\*/；
打印$p，“\n”如果$word=~”^$\u\$”；
} ;

更新1:KamilCuk解决方案+修复的Perl实现。

在进行了一些小的修改之后，我相信可以使用基于grep的解决方案中的思想来创建一个速度更快的Perl程序。它创建一个REGEXP，并测试单词列表文件中的每个单词。我认为这是Perl的最佳选择

#! /usr/bin/perl
use strict ;

$_ = shift @ARGV ;
tr/A-Za-z//s ;
s/(.)/$1*/g ;
s/\*// ;
s/\*$// ;
my $re = "^$_\$" ;
print "RE=$re\n" ;

while ( <> ) {
        chomp ;
        print $_, "\n" if /$re/ ;
} ;

#/usr/bin/perl
严格使用；
$\ux=shift@ARGV；
tr/A-Za-z//s；
s/（）/$1*/g；
s/\*/；
s/\*$/；
my$re=“^$\u\$”；
打印“RE=$RE\n”；
而（）{
咀嚼；
如果/$re/，则打印“$\n”；
} ;
使用regexp很难打败
perl

性能

性能的关键是避免分叉额外的进程。这里介绍的大多数bash解决方案（基于KamilCuk
grep
的解决方案除外，它并不总是正确的）都需要多次调用sed、tr等。Perl的性能将优于这些解决方案。即使可以实现一个纯bash解决方案（使用bash-RE，patterns），当单词列表的大小很大时，Perl的性能也可能优于它

考虑
program.pl appl

#! /usr/bin/perl
use strict ;

my $word = shift @ARGV ;

while ( <> ) {
    chomp ;
    my $p = $_ ;
    tr/A-Za-z//s ;
    s/(.)/.*$1/g ;
    s/^\.\*// ;
    print $p, "\n" if $word =~ "^$_\$" ;
} ;

#/usr/bin/perl
严格使用；
my$word=shift@ARGV；
而（）{
咀嚼；
我的$p=$\；
tr/A-Za-z//s；
每克1美元；
s/^\.\*/；
打印$p，“\n”如果$word=~”^$\u\$”；
} ;

更新1:KamilCuk解决方案+修复的Perl实现。

在进行了一些小的修改之后，我相信可以使用基于grep的解决方案中的思想来创建一个速度更快的Perl程序。它创建一个REGEXP，并测试单词列表文件中的每个单词。我认为这是Perl的最佳选择

#! /usr/bin/perl
use strict ;

$_ = shift @ARGV ;
tr/A-Za-z//s ;
s/(.)/$1*/g ;
s/\*// ;
s/\*$// ;
my $re = "^$_\$" ;
print "RE=$re\n" ;

while ( <> ) {
        chomp ;
        print $_, "\n" if /$re/ ;
} ;

#/usr/bin/perl
严格使用；
$\ux=shift@ARGV；
tr/A-Za-z//s；
s/（）/$1*/g；
s/\*/；
s/\*$/；
my$re=“^$\u\$”；
打印“RE=$RE\n”；
而（）{
咀嚼；
如果/$re/，则打印“$\n”；
} ;
您能否发布words.txt的一些摘录和示例输出。我无法测试您的脚本，对于某些输入，一些匹配和不匹配的单词将非常有用。
apppppppple
是
apple
的子序列吗？因为您的脚本将与
apple
匹配。如果我理解正确，只有
apple
的4个有效子序列：
ae
ale
ape
。是吗？是的，但是apppe在我的程序中也会匹配，这是故意的。Och？那么
apple
也是苹果的后继产品吗？“后续”看起来不像“子序列”，更像是一个扩展。因此，子序列就是与正则表达式匹配的任何东西，正则表达式由一个单词的字母组成，带有
*