Java 正则表达式：查找具有额外字符的单词
我想在句子中找到“帮助”这个词。这本身就是一项容易的任务。然而，在某些情况下，这个词可能被写成Java 正则表达式：查找具有额外字符的单词,java,regex,Java,Regex,我想在句子中找到“帮助”这个词。这本身就是一项容易的任务。然而，在某些情况下，这个词可能被写成heelp或hhelp，基本上包含比通常更多的字符。当然，有些例子比其他例子更现实 查找“帮助”的基本正则表达式（撇开大小写差异-（？i）可以涵盖这一点）是： 但是，这个正则表达式只检测直接的单词，不考虑可以添加的额外字符 替换双字符不是一个选项，因为有些单词通常存在（这不是一项容易的任务，您需要一个好的NLP（自然语言处理）库） 对于Java，这可能是一个项目 对于Perl，有一些模块，如（如果你在词
heelphhelp（？i）替换双字符不是一个选项，因为有些单词通常存在（这不是一项容易的任务，您需要一个好的NLP（自然语言处理）库） 对于Java，这可能是一个项目
对于Perl，有一些模块，如（如果你在词干分析之后）或PHP（如果你在使用类似的拼音词）。这很有效。请在任何在线regex测试仪上试用，以确保它正是你想要的： 备注：这适用于任何数量的不需要的字母，如果您需要1个字母-“\w*”模式应替换为“\w？”（并相应地在java代码中）
\bh+\w*e+\w*l+\w*p+\bpublic static String getRegExForWord(String word){
char[] chars = word.toCharArray();
StringBuilder pattern = new StringBuilder("\\b");
for (int i = 0; i < chars.length-1; i++) {
pattern.append(chars[i]).append("+\\w*");
}
return pattern.append(chars[chars.length - 1]).append("+\\b").toString();
}
公共静态字符串getRegExForWord（字符串字）{
char[]chars=word.toCharArray（）；
StringBuilder模式=新StringBuilder（“\\b”）；
for（int i=0；ih = h.trim();
h = h.replaceAll("\\s+", "\n");
Pattern p = Pattern.compile("(h+.*?e+.*?l+.*?p+)", Pattern.MULTILINE);
Matcher m = p.matcher(h);
while(m.find())
{
System.out.println(m.group(1));
}
我向您提出以下（一般）解决方案：
import java.util.*;
public class LevenshteinDistance {
private static int minimum(int a, int b, int c) {
return Math.min(Math.min(a, b), c);
}
public static int computeLevenshteinDistance(CharSequence lhs, CharSequence rhs) {
int[][] distance = new int[lhs.length() + 1][rhs.length() + 1];
for (int i = 0; i <= lhs.length(); i++)
distance[i][0] = i;
for (int j = 1; j <= rhs.length(); j++)
distance[0][j] = j;
for (int i = 1; i <= lhs.length(); i++)
for (int j = 1; j <= rhs.length(); j++)
distance[i][j] = minimum(
distance[i - 1][j] + 1,
distance[i][j - 1] + 1,
distance[i - 1][j - 1] + ((lhs.charAt(i - 1) == rhs.charAt(j - 1)) ? 0 : 1));
return distance[lhs.length()][rhs.length()];
}
public static String compress(String s) {
char[] chars = s.toCharArray();
Character last_char = null;
StringBuilder sb = new StringBuilder();
for (Character c:chars) {
if(c != last_char) {
sb.append(c);
last_char = c;
}
}
return sb.toString();
}
public static void main(String[] argv) {
String[] strings = {"heelp", "help", "heeeelp", "hhhheeeelllllpppp", "heeeklp", "hlep", "helper"};
String[] dict = {"help", "helper"};
String match = "", c;
int min_distance, distance;
for(String s : strings) {
c = compress(s);
min_distance = computeLevenshteinDistance(c, "");
for(String d : dict) {
distance = computeLevenshteinDistance(c, d);
System.out.println("compressed: "+c+ " dict: "+d+" distance: "+Integer.toString(distance));
if(distance < min_distance) {
match = d;
min_distance = distance;
}
}
System.out.println(s + " matches " + match);
}
}
}
heelp -> help
help -> help
heeeelp -> help
hhhheeeelllllpppp -> help
heeeklp -> heklp
hlep -> hlep
helper -> helper
LD（word1，word2）hhhheeeelllllpppp -> help -> LD(help, help) = 0, LD(help, helper) = 2 <- help match
heeeklp -> heklp -> LD(heklp, help) = 1, LD(heklp, helper) = 3 <- help match
hlep -> hlep -> LD(hlep, help) = 2, LD(hlep, helper) = 3 <- help match
helper -> helper -> LD(helper, help) = 2, LD(helper, helper) = 0 <- helper match
\bh+\w{0,1}e+\w{0,1}l+\w{0,1}p+\b\w[所有允许的字母]我用
{0,1}？帮助后，需要使用“编辑距离”查找相似模式。这是用于拼写检查和单词推荐的度量。例如，如果您从“帮助”返回所有编辑距离为1的单词，您将获得：
helpp
heelp
hellp
hel
belp
...
从帮助中编辑2的距离：
heeelp
helppp
hhellp
使用NLTK（Python NLP包），可以通过以下方式实现：
my_word = 'help'
corpus = {'w1', 'w2'} # Set of all words in your corpus
word_distance = {}
for word in corpus:
if nltk.edit_distance(my_word, word) <= 2:
word_distance[word] = nltk.edit_distance(my_word, word)
# Sort dict by value if you choose to return greater edit distances
results = sorted(word_distance, key=word_distance.get, reverse=True)
print(results[:10])
my_word='help'
语料库={'w1'，'w2'}#语料库中所有单词的集合
单词_距离={}
对于语料库中的单词：
如果nltk.edit_distance（my_word，word）我将演示为wordhelp
制作正则表达式所需的步骤，但要求不明确，规则不严格，因此通常存在一些缺点
\bh+[a-z&&[^e]]*e+[a-z&&[^le]]*l+[a-z&&[^ p l e ]]*p+\b
^ ^^ ^ ^ ^
| || | |--|-> [#2]
| || |-> [#1]
| ||-> Previous char(s) [#2]
| |-> [#1]
|-> Next immediate character [#1]
[a-z&&[^lep]
指除l
、e
或p
要复制/粘贴的正则表达式：
\bh+[a-z&&[^e]]*e+[a-z&&[^le]]*l+[a-z&&[^lep]]*p+\b
看一看regexp特殊字符*
和+
。你可以使用我假设你的意思是“heeeklp”是“（未找到）”，因为它里面有一个“k”^（h+e+l+p+）$
假设单词heeeklp
你不想被匹配。如果你的目标真的是一个智能聊天系统，就像你之前在评论中所说的那样，那么这样的正则表达式将是无用的。首先，许多人错误地排列字母。因此hlep
可能是一个寻求帮助的实际尝试。其次，有很多人包含其他非本意词语的词语。例如“助手”或“直升机”。也许关于NLP的答案对你的情况来说是正确的。为什么？用一个简短的正则表达式来解决这个问题似乎很简单，至少在我看来是这样的！？正如xander所说，它可以在不必拖动NLP的情况下解决。而且还有一个正则表达式也可以工作，所以NLP没有必要打开一个带有示例文本的regex101.com选项卡（heelp-help-heeelp-hhheeelllpppp-hlep-heeklp
）中。此正则表达式（当前状态）作为一个组对hlep-help
作出反应，即两个错误。（它不应对hlep作出反应，也不应将这两个视为一个组）哦，现在我明白了。我想你应该一次只接收一个单词。更新为只用空格分隔单词的字符串：）有点晚了，我知道，但在我的代码中，所有空格都被替换为“\n”，将它们放在新行上。问题中使用的换行格式是为了让我能够概述示例输入。现在我想（无法完全确定）您的答案有一个单词多行检查。是的，有。明白了。感谢您的澄清。这只适用于帮助！您的意思是为每个需要捕获的单词定义一个正则表达式吗？！@LunarWatcher我希望heeeklp匹配，因为它仍然包含单词“help”根据这句话，即使它有一个不相关的字符，像hheeeekklllllpppp这样的单词也应该
heeelp
helppp
hhellp
my_word = 'help'
corpus = {'w1', 'w2'} # Set of all words in your corpus
word_distance = {}
for word in corpus:
if nltk.edit_distance(my_word, word) <= 2:
word_distance[word] = nltk.edit_distance(my_word, word)
# Sort dict by value if you choose to return greater edit distances
results = sorted(word_distance, key=word_distance.get, reverse=True)
print(results[:10])
\bh+[a-z&&[^e]]*e+[a-z&&[^le]]*l+[a-z&&[^ p l e ]]*p+\b
^ ^^ ^ ^ ^
| || | |--|-> [#2]
| || |-> [#1]
| ||-> Previous char(s) [#2]
| |-> [#1]
|-> Next immediate character [#1]
\bh+[a-z&&[^e]]*e+[a-z&&[^le]]*l+[a-z&&[^lep]]*p+\b