评估字符串匹配的质量

Question

将模式与一组字符串逐一进行比较，同时评估模式与每个字符串的匹配程度的最佳方法是什么？根据我对正则表达式的有限经验，使用正则表达式将字符串与模式匹配似乎是一个相当二元的操作……无论模式有多复杂，最终它要么匹配，要么不匹配。我正在寻找更强大的功能，而不仅仅是匹配。有没有与此相关的好的技术或算法？

下面是一个示例：

假设我有一个模式 foo bar，我想从以下字符串中找到与其最匹配的字符串：

foo for
foo bax
foo buo
fxx bar

现在，这些字符串实际上都不匹配 模式，但是哪个非匹配最接近是匹配？在这种情况下，foo bax 将是最佳选择，因为它匹配 7 个字符中的 6 个。

抱歉，如果这是一个重复的问题，当我查看这个问题是否已经存在时，我真的不知道到底要搜索什么。

Answer 1

这个有效，我检查了维基百科示例“小猫”和“坐”之间的距离是3

   public class LevenshteinDistance {

    public static final String TEST_STRING = "foo bar";

    public static void main(String ...args){
        LevenshteinDistance test = new LevenshteinDistance();
        List<String> testList = new ArrayList<String>();
        testList.add("foo for");
        testList.add("foo bax");
        testList.add("foo buo");
        testList.add("fxx bar");
        for (String string : testList) {
          System.out.println("Levenshtein Distance for " + string + " is " + test.getLevenshteinDistance(TEST_STRING, string)); 
        }
    }

    public int getLevenshteinDistance (String s, String t) {
          if (s == null || t == null) {
            throw new IllegalArgumentException("Strings must not be null");
          }

          int n = s.length(); // length of s
          int m = t.length(); // length of t

          if (n == 0) {
            return m;
          } else if (m == 0) {
            return n;
          }

          int p[] = new int[n+1]; //'previous' cost array, horizontally
          int d[] = new int[n+1]; // cost array, horizontally
          int _d[]; //placeholder to assist in swapping p and d

          // indexes into strings s and t
          int i; // iterates through s
          int j; // iterates through t

          char t_j; // jth character of t

          int cost; // cost

          for (i = 0; i<=n; i++) {
             p[i] = i;
          }

          for (j = 1; j<=m; j++) {
             t_j = t.charAt(j-1);
             d[0] = j;

             for (i=1; i<=n; i++) {
                cost = s.charAt(i-1)==t_j ? 0 : 1;
                // minimum of cell to the left+1, to the top+1, diagonally left and up +cost                
                d[i] = Math.min(Math.min(d[i-1]+1, p[i]+1),  p[i-1]+cost);  
             }

             // copy current distance counts to 'previous row' distance counts
             _d = p;
             p = d;
             d = _d;
          } 

          // our last action in the above loop was to switch d and p, so p now 
          // actually has the most recent cost counts
          return p[n];
        }

}

Answer 2

这是一个有趣的问题！我首先想到的是正则表达式的匹配方式是构建一个 DFA。如果您可以直接访问为给定正则表达式构建（或刚刚构建）的 DFA你自己运行！）你可以运行输入测量从你转换到的最后一个状态到接受状态的距离，使用最短路径作为距离被接受的程度的度量，但我不知道有任何库可以会让你轻松做到这一点，甚至在许多情况下，这种测量方法也可能无法完全符合你的直觉。