正则表达式查找所有子字符串和最长的子字符串

Posted 2023-04-13

【中文标题】正则表达式查找所有子字符串和最长的子字符串

【英文标题】：Regex to find all substrings and longest substring

【发布时间】：2011-10-02 10:13:50

【问题描述】：

我通常会使用字符串库来做这样的事情。但我想知道是否可以使用正则表达式来完成。

我想做以下事情：给定一个搜索字符串：

西雅图很棒

我想在给定的句子中找到它的所有子字符串。因此，将正则表达式应用于以下 sentence

西雅图太棒了 西雅图太棒了 太棒了 西雅图

应该给我

西雅图，西雅图太棒了，太棒了，太棒了，西雅图

一个可能有用的限制是，句子总是只有搜索字符串中出现的单词和中间的空格。

注意如果有匹配，它应该是最长的字符串。因此，就像在上面的示例中一样，匹配项不应该是单个单词，而是可能是最长的子字符串。单词之间的顺序也需要保持。这就是为什么

西雅图很棒

在上面的句子中给了我们

太棒了，是和西雅图

我不确定这样的事情是否可以用正则表达式来完成，因为它是贪婪的。对此有任何见解！ 我熟悉 C# 和 Java，可以使用它们的任何一个正则表达式库。

【参考方案1】：

我认为你不能用正则表达式来做到这一点。***上有一篇关于longest common subsequence problem 的好文章。

【讨论】：

我知道但为了匹配字符。我需要在这里匹配单词，尽管我可以修改算法。正则表达式让我可以灵活地在单词之间添加更多分隔符（而不仅仅是空格）。

【参考方案2】：

没有好办法直接用正则表达式表达这种模式。

您需要列出所有允许的组合：

西雅图很棒|西雅图很棒|西雅图很棒|很棒|很棒

或更简洁地说：

西雅图（是（真棒）？）？|是（真棒）？|真棒

您可以通过编程方式将输入字符串转换为这种格式。

【讨论】：

这对于任何重要的输入字符串来说很快就会变得很麻烦。

正如我所说，您不必手动执行此转换。注意与后缀树的相似性。事实上，如果正则表达式的性能不够好，您可以轻松地直接创建一个基于后缀树的算法，而不是使用正则表达式。

@dtb - 您是在考虑单词的后缀树，还是字符的后缀树？如果是的话，你知道哪里有一个好的泛型后缀树实现？从经验来看，自己写，甚至为角色改编，都不是我所说的“容易”。 （另外，请参阅下面我的替代 impl - 它的速度非常快 - 每个搜索字符串到目标位置的比较只需一个 == 比较，加上更多的匹配项。）

@Ed Staub：词的后缀树。实际上，由于树只包含一个句子，因此您实际上不需要构建后缀树，而只需对句子本身进行操作即可。

【参考方案3】：

你能进一步描述你的问题吗？这听起来更像是一个搜索引擎，而不是简单的字符串匹配。我强烈建议查看 Apache Lucene——它有一点学习曲线，但它是一个很棒的智能搜索小工具。它处理了很多在处理搜索时遇到的问题。您可以设置命中的评分来完全按照您的描述进行。

【讨论】：

一般情况下，类似“答案”的帖子应保留为 cmets。向 OP 提出问题并提出概括性 建议（不涉及具体问题），您就是在添加评论。

【参考方案4】：

在 Java 中，未测试。这将返回字符串列表的迭代器。每个列表都是一个匹配的子序列。 只需在要打印的列表成员之间放置空格即可。如果它被大量使用，那么 intern() 的使用可能会很糟糕。

static Iterator<List<String>> getSequences(String squery, String starget)

    List<String> query = Arrays.asList(squery.split(" "));
    for ( int i = 0; i < query.size(); i++)
        query.set(i, query.get(i).intern());
    List<String> target = Arrays.asList(starget.split(" "));;
    for ( int i = 0; i < target.size(); i++)
        target.set(i, target.get(i).intern());

    // Because the strings are all intern'ed, this HashSet acts like we want -
    // If two lists are the same sequence of words, they are equal.
    // It's used to remove duplicates.
    HashSet<List<String>> ret = new HashSet<List<String>>();
    for ( int qBegin = 0; qBegin < query.size(); qBegin++ )     
        for ( int tBegin = 0; tBegin < target.size(); tBegin++ ) 
            for ( int iCursor = 0; 
                  iCursor < min(query.size()-qBegin, target.size()- tBegin); 
                  iCursor++)                
                if ( query.get(qBegin+iCursor)==target.get(tBegin+iCursor) )
                    ret.add(query.subList(qBegin, qBegin+iCursor+1));
                else break;
            
        
    
    return ret.iterator();


static int min(int a, int b)  return (a<b)? a:b; 

【讨论】：

这不正确有几个原因： - 它不返回不是从查询字符串开头开始的子字符串匹配 - 它不会修剪最长的子字符串。我离开它是因为实习黑客可能应该用于任何好的解决方案 - 可能使用 Guava interner 代替。