以任何顺序匹配查询中的所有单词的正则表达式

Posted 2023-02-22

【中文标题】以任何顺序匹配查询中的所有单词的正则表达式

【英文标题】：Regular Expression to MATCH ALL words in a query, in any order

【发布时间】：2012-12-04 08:46:18

【问题描述】：

我正在尝试为一个项目构建一个搜索功能，该功能根据用户搜索输入缩小项目范围，以及它是否与项目列出的关键字匹配。为此，我将项目关键字保存在 data 属性中，并使用 RegExp 模式将查询与这些关键字匹配。

我目前正在使用这个表达式，我知道它不正确，需要您的帮助：

new RegExp('\\b(' + query + ')', 'gi'))) 其中查询是| 用户输入的查询的分隔值（例如\\b(meat|pasta|dinner)）。即使只有 1 个匹配项，这也会返回一个匹配项，例如 - meat

只是为了抛出一些上下文，这里有一个小例子：

如果用户键入：meat pasta dinner，它应该列出所有包含所有 3 个关键字的项目，即 meat pasta 和 dinner。它们与输入的顺序无关。

你能帮我用一个表达式来匹配查询中的所有单词，以任何顺序吗？

【问题讨论】：

嗯，不完全是 - 我需要将整个用户输入与项目的关键字进行匹配，并且只有在整个输入与这些项目上的关键字匹配时才返回 true。

基本上我需要想出一个 AND 表达式，它将与用户输入 e.g. meat dinner pie 并检查关键字 e.g. Pasta meat continental kebab pie simple。在这种情况下，表达式将失败，因为关键字包含 meat 和 pie 但不包含 dinner。

为什么不使用简单的string 方法呢？我的意思是，如果没有重复的关键字，那么使用 Regex 可以轻松实现。但是对于重复的关键字，您最好在此处避免使用 Regex。只需将 indexOf 函数与 for 循环一起使用。或者，可能是一个更好的字符串函数，我可能不知道。

【参考方案1】：

你可以实现这将前瞻断言

^(?=.*\bmeat\b)(?=.*\bpasta\b)(?=.*\bdinner\b).+

看here on Regexr

(?=.*\bmeat\b) 是一个positive lookahead assertion，它确保\bmeat\b 在字符串中的某个位置。其他关键字也一样，.+ 实际上匹配整个字符串，但前提是断言为真。

但它也会匹配“晚餐肉 Foobar 意大利面”

【讨论】：

echo "meat dinner pasta" | grep -P "^(?=.*\bmeat\b)(?=.*\bpasta\b)(?=.*\bdinner\b).+"

【参考方案2】：

你的正则表达式看起来不错：

\b(meat|pasta|dinner)\b

检查匹配的长度是否等于关键字的数量（在本例中为三个）：

string.match(re).length === numberOfKeywords

其中re 是带有g 标志的正则表达式，string 是数据，numberOfKeywords 是关键字的数量

这假设没有重复的关键字。

【讨论】：

在这个模型中，重复项也需要删除

感谢您的帮助！但是，是的，关键字可能会重复，所以我将继续使用上述 stema 的答案。为逻辑+1。

此外，如果您需要至少“X”项的条件，其中“X”表示开始范围，那么您可以使用下面的正则表达式（针对至少一项修改）\b(meat|pasta|dinner)1 ,3\b

【参考方案3】：

根据接受的答案，我编写了一个简单的 Java 方法，该方法从一组关键字构建正则表达式

public static String regexIfAllKeywordsExists(String[] keywords) 
    StringBuilder sb = new StringBuilder("^");

    for (String keyword : keywords) 
        sb.append("(?=.*\\b");
        sb.append(keyword);
        sb.append("\\b)");
    

    sb.append(".+");

    return sb.toString();

【讨论】：

感谢您的回答，但问题被标记为 javascript。

【参考方案4】：

stema 的回答在技术上是正确的，但它根本没有考虑性能。前瞻非常慢（在正则表达式的上下文中，快如闪电）。即使按照目前的逻辑，正则表达式也不是最优的。

因此，这里有一些测量值，是根据包含所有三个单词的较大字符串计算的，运行搜索 1000 次并使用四种不同的方法：

stema 的正则表达式

/^(?=.*\bmeat\b)(?=.*\bpasta\b)(?=.*\bdinner\b).+/

结果：605ms

优化的正则表达式

/^(?=.*?\bmeat\b)(?=.*?\bpasta\b)(?=.*?\bdinner\b)/

使用惰性匹配，不需要 end all 选择器

结果：291 毫秒

排列正则表达式

/(\bmeat\b.*?(\bpasta\b.*?\bdinner\b|\bdinner\b.*?\bpasta\b)|\bpasta\b.*?(\bmeat\b.*?\bdinner\b|\bdinner\b.*?\bmeat\b)|\bdinner\b.*?(\bpasta\b.*?\bmeat\b|\bmeat\b.*?\bpasta\b))/

结果：56ms

这很快，因为第一个模式正在匹配，如果最后一个模式匹配，它会比前瞻模式（300 ms）更慢

正则表达式数组

var regs=[/\bmeat\b/,/\bpasta\b/,/\bdinner\b/];
var result = regs.every(reg=>reg.test(text));

结果：26ms

注意，如果字符串被设计成不匹配，那么结果是：

521 毫秒 220ms 161ms - 慢得多，因为它必须经过所有分支 14 毫秒

如您所见，在所有情况下，仅使用循环都会快一个数量级，更不用说更易于阅读了。

最初的问题是要求一个正则表达式，所以我的答案是排列正则表达式，但我不会使用它，因为它的大小会随着搜索词的数量呈指数增长。

此外，在大多数情况下，这个性能问题是学术性的，但有必要强调一下。