正则表达式匹配“lol”； “哈哈”和“天哪”到“omggg”等

Question

嘿，我喜欢正则表达式，但我一点也不擅长。

我有大约 400 个缩写词的列表，例如 lol、omg、lmao...等。每当有人输入这些缩短的单词之一时，它就会被替换为对应的英语单词（[笑声]，或类似的东西）。不管怎样，人们很烦人，他们输入这些速记词，最后一个字母重复 x 次。

例子： 天哪->哎呀，哈哈->哈哈，哈哈->哈哈哈哈，哈哈-> lololol

我想知道是否有人可以给我正则表达式（最好是Python）来处理这个问题？

谢谢大家。

（如果有人好奇的话，这是一个与 Twitter 相关的主题识别项目。如果有人发推文“让我们去投篮吧”，你怎么知道这条推文是关于篮球等的）

Answer 1

第一种方法 -

嗯，使用正则表达式，你可以这样做 -

import re
re.sub('g+', 'g', 'omgggg')
re.sub('l+', 'l', 'lollll')

等等。

让我指出，使用正则表达式是一种非常脆弱的方法。处理这个问题的基本方法。您可以轻松地从用户那里获取字符串，这将破坏上述正则表达式。我想说的是，这种方法需要大量维护来观察用户犯下的错误模式和用户的错误模式。然后为它们创建特定于案例的正则表达式。

第二种方法 -

您是否考虑过使用 difflib 模块？它是一个带有帮助程序的模块，用于计算对象之间的增量。这里对您来说特别重要的是SequenceMatcher。摘自官方文档-

SequenceMatcher 是一个灵活的类
用于比较序列对
任何类型，只要顺序
元素是可散列的。序列匹配器
试图计算一个“人类友好的
两个序列之间的差异”。
基本概念是最长的
连续 &无垃圾匹配子序列。

import difflib as dl
x   = dl.SequenceMatcher(lambda x : x == ' ', "omg", "omgggg")
y   = dl.SequenceMatcher(lambda x : x == ' ', "omgggg","omg")
avg = (x.ratio()+y.ratio())/2.0
if avg>= 0.6: 
    print 'Match!'
else:
    print 'Sorry!'

根据文档，任何超过 0.6 的ratio() 都是接近匹配的。您可能需要根据您的数据需求探索调整比率。如果您需要更严格的匹配，我发现任何超过 0.8 的值都可以。

Answer 2

怎么样

\b(?=lol)\S*(\S+)(?<=\blol)\1*\b

（将 lol 替换为 omg、haha 等）

这将匹配 lol、lololol< /code>、lollll、lollolol 等，但失败 lollo、lollllo、lolly等等。

规则：

1. 完全匹配单词lol。
2. 然后允许在单词末尾重复一个或多个字符（即 l、ol 或 lol），

因此 \b (?=zomg)\S*(\S+)(?<=\bzomg)\1*\b 将匹配 zomg、zomggg、< code>zomgmgmg、zomgomgomg 等。

在 Python 中，带注释：

result = re.sub(
    r"""(?ix)\b    # assert position at a word boundary
    (?=lol)        # assert that "lol" can be matched here
    \S*            # match any number of characters except whitespace
    (\S+)          # match at least one character (to be repeated later)
    (?<=\blol)     # until we have reached exactly the position after the 1st "lol"
    \1*            # then repeat the preceding character(s) any number of times
    \b             # and ensure that we end up at another word boundary""", 
    "lol", subject)

这也将匹配“unadorned”版本（即 lol 没有任何重复）。如果您不想这样做，请使用 \1+ 而不是 \1*。