Regex 模糊正则表达式

我正在寻找一种使用正则表达式进行模糊匹配的方法我想使用Perl，但如果有人能推荐任何一种方法，那将非常有用。

例如，我想匹配单词“newyork”上的一个字符串，前面是一个2位数的数字。困难是因为文本来自PDF的OCR，所以我想做一个模糊匹配。我想匹配：

12 New York
24 Hew York
33 New Yobk

和其他“接近”匹配（在Levenshtein距离的意义上），但不是：

aa New York
11 Detroit

显然，我需要为匹配指定允许的距离（“模糊性”）

据我所知，我不能使用

String:：appro

Perl模块来实现这一点，因为我需要在匹配中包含一个正则表达式（以匹配前面的数字）

另外，我应该注意到，这是一个非常简单的例子，说明了我真正想要匹配的东西，所以我不寻求暴力方法

编辑以添加：

好吧，我的第一个例子太简单了。我的意思不是让人们挂断前面的数字——很抱歉这个坏例子。这里有一个更好的例子。考虑这个字符串：

由MESHS ASSIGN1IBNTS向ALUSCHALME&S MANOTAC/rURINGCOMPANY转让人，一家延期/延期的公司。

这实际上说明：

转让人，由MESNE ASSIGNMENTS向特拉华州的一家公司ALLIS-CHALMERS制造公司转让

我需要做的是提取短语“ALUSCHALME&S MANOTAC/rURINGCOMPANY”和“DELAY/ABE”。（我意识到这似乎有点疯狂。但我是一个乐观主义者。）一般来说，这种模式会是这样的：

while(<>) {
  chomp;
  if(/assignor, by (\w+) (\w+), to (\w+), a (\w+) of (\w+)/i) {
    # now use String::Approx to check that $1, $2, $3, $4, and $5 match
  } else {
    warn "Errors!\n";
  }
}

/Assignor（，通过mesne assignments，）？致（公司名称），一家（州）/i的公司

匹配是模糊的。
您是否考虑过两阶段测试，使用regex强制执行
[0-9]{2,2}（.*）
的要求，然后捕获剩余文本并对其进行模糊匹配？试着把这个问题想象成正则表达式和模糊字符串的交集。
正则表达式有特定的规则，它们不是为做你想做的事情而构建的。两次传球会容易得多。使用正则表达式去除数字，然后使用模块接近匹配

类似这样的情况（假设您的输入是来自文件的行）

while（我的$line=）{
chomp$行；
#我们有数字吗？
如果（$line=~/^\d+/）{
#删除行首的空格和数字
$line=~s/^[\d\s]*//g；
#使用模块确定剩余文本中是否有匹配项。
如果（模块匹配）{
#做点什么
}
否则{
#没有对手
}
}
否则{
#没有对手
}
}
将问题分为两部分：

匹配两位数的数字
模糊地将剩余部分与“纽约”匹配
在本例中，您知道“纽约”由两个单词组成；你也许可以利用这一点更容易地消除像“底特律”（但不一定是“旧金山”）这样的替代品

您甚至可以使用“”，尽管它提到：

。。。CPAN中的Text:：Levenshtein和Text:：LevenshteinXS模块。另请参见Text:：WagnerFischer和Text:：PhraseDistance

（我的Perl无法通过CPAN找到Text:：PhraseDistance-其他的都可以使用，安装也可以。）
您可以通过与限制进行比较来缩小候选对象的范围，以获得编辑距离和grepping

但另一个想法是，您可以采用正确的形式，并根据指向正确形式的未遂事件创建一个哈希键，以便这些未遂事件也可以成为候选

对于正则表达式，您可能必须使用实验代码部分，可能类似于：

m/ (?i: [new] | \p{Alpha} (?{ $misses++ }) ){2,4}
   \s+
  (?i: [york] | \p{Alpha} (?{ $misses++ }) ){3,5}
 /x

虽然在这种情况下，您可能需要为每个适当的值设置一个正则表达式。您可能需要一些标志来指示何时未达到目标。
您可以尝试使用类似和条件可能性最大化的方法

<如果我记得正确的话，第14章致力于这个数据集，以及如何使用它来发现拼写错误等。
 < P>经验法则：当你必须去栈溢出时，问“我如何在一个正则表达式中做X？”，你应该考虑做X不只是一个正则表达式。
根据您的编辑，我会这样做：

while(<>) {
  chomp;
  if(/assignor, by (\w+) (\w+), to (\w+), a (\w+) of (\w+)/i) {
    # now use String::Approx to check that $1, $2, $3, $4, and $5 match
  } else {
    warn "Errors!\n";
  }
}

while（）{
咀嚼；
如果（/assignor，by（\w+）（\w+），to（\w+），则（\w+）/i的（\w+）{
#现在使用String:：Approx检查$1、$2、$3、$4和$5是否匹配
}否则{
警告“错误！\n”；
}
}

我不会把这里的一切都给你。我没有将（\w+）（\w+）

位设置为可选的

”，以简化正则表达式，这样您就可以了解它的要点。为此，您可能需要使用命名捕获和
（？：）
非捕获组。我不想深入研究所有这些，只是想帮助你理解我将如何处理这件事

请记住：如果您必须问“如何在单个正则表达式中完成所有操作？”您应该停止在单个正则表达式中完成所有操作。
尽管您指定了perl，但R中内置了一个有用的算法，可实现Levenshtein编辑距离

agrep()

此命令还允许使用任何正则表达式或模式进行匹配。我建议你看看
 您是否考虑过在CPAN上使用模块？它有
agrep
算法，但比Udi慢得多。
如果你有一个模式你想找到与文本集合的最佳匹配，你可以尝试q-gram距离。它很容易实施，并适应特殊需要

您的第二个描述实际上在这里很有用，因为模式和文本应该相当长。q-gram距离对“York”这样的词不起作用，但如果你的典型模式是一个完整的地址
The fuzziness of a regex item is specified between “{” and “}” after the item.

Examples:

foo match “foo” exactly
(?:foo){i} match “foo”, permitting insertions
(?:foo){d} match “foo”, permitting deletions
(?:foo){s} match “foo”, permitting substitutions
(?:foo){i,s} match “foo”, permitting insertions and substitutions
(?:foo){e} match “foo”, permitting errors
If a certain type of error is specified, then any type not specified will not be permitted.

In the following examples I’ll omit the item and write only the fuzziness:

{d<=3} permit at most 3 deletions, but no other types
{i<=1,s<=2} permit at most 1 insertion and at most 2 substitutions, but no deletions
{1<=e<=3} permit at least 1 and at most 3 errors
{i<=2,d<=2,e<=3} permit at most 2 insertions, at most 2 deletions, at most 3 errors in total, but no substitutions

import regex, pprint

m = regex.compile( r'(?:Assignor(, by mesne assignments,)? to (company name), a corporation of (state)){e}', regex.IGNORECASE ).match('ASSIGNOR, BY MESHS ASSIGN1IBNTS, TO ALUSCHALME&S MANOTAC/rURINGCOMPANY, A COBPOBATlOH OF DELAY/ABE.')

pprint.pprint(m)
pprint.pprint(m.groups())

<regex.Match object; span=(0, 71), match='ASSIGNOR, BY MESHS ASSIGN1IBNTS, TO ALUSCHALME&S MANOTAC/rURINGCOMPANY,', fuzzy_counts=(45, 0, 0)>
(', BY MESHS ASSIGN1IBNTS', ' ALUSCHALME&', 'PANY,')