Expressão regular para procurar Gadaffi

Estou tentando procurar a palavra Gadaffi. Qual é a melhor expressão regular para pesquisar isso?

Minha melhor tentativa até agora é:

\b[KG]h?add?af?fi$\b

Mas parece que ainda estou perdendo algumas revistas. Alguma sugestão?

Atualização: Encontrei uma lista bastante extensa aqui: http://blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

A resposta abaixo corresponde a todas as 30 variantes:

Gadaffi
Gadafi
Gadafy
Kadafi
Gaddafy
Gaddhafi
Kadafi
Gathafi
Ghadaffi
Ghadafi
Ghaddafi
Ghaddafy
Gheddafi
Kadaffi
Kadafi
Kaddafi
Kadhafi
Kazzafi
Khadaffy
Khadafy
Khaddafi
Qadafi
Qaddafi
Qadhafi
Qadhdhafi
Qadthafi
Qathafi
Quathafi
Qudhafi
Kad'afi

\b[KGQ]h?add?h?af?fi\b

A transcrição para o árabe é (diz a Wiki) "Qaḏḏāfī", então talvez adicione um Q. E um H ("Gadhafi", como o artigo (veja abaixo) menciona).

Btw, por que existe um $no final do regex?

Btw, bom artigo sobre o tema:

Kadafi, Kadafi ou Qaddafi? Por que o nome do líder líbio está escrito de tantas maneiras diferentes? .

EDITAR

Para corresponder a todos os nomes no artigo que você mencionou mais tarde , isso deve corresponder a todos eles. Vamos apenas torcer para que não corresponda a muitas outras coisas: D

\b(Kh?|Gh?|Qu?)[aeu](d['dt]?|t|zz|dhd)h?aff?[iy]\b

Fácil ... (Qadaffi|Khadafy|Qadafi|... )... é auto-documentado, pode ser mantido e, assumindo que o mecanismo regexp realmente compila expressões regulares (em vez de interpretá-las), ele será compilado no mesmo DFA que uma solução mais ofuscada faria.

Escrever expressões regulares compactas é como usar nomes curtos de variáveis ​​para acelerar um programa. Isso só ajuda se o seu compilador estiver com morte cerebral.

Uma coisa interessante a ser observada em sua lista de ortografia em potencial é que existem apenas 3 valores Soundex para a lista contida (se você ignorar o "Kazzafi").

G310, K310, Q310

Agora, existem falsos positivos ('Godby' também é G310), mas combinando os hits limitados do metafone, você também pode eliminá-los.

<?
$soundexMatch = array('G310','K310','Q310');
$metaphoneMatch = array('KTF','KTHF','FTF','KHTF','K0F');

$text = "This is a big glob of text about Mr. Gaddafi. Even using compound-Khadafy terms in here, then we might find Mr Qudhafi to be matched fairly well. For example even with apostrophes sprinkled randomly like in Kad'afi, you won't find false positives matched like godfrey, or godby, or even kabbadi";

$wordArray = preg_split('/[\s,.;-]+/',$text);
foreach ($wordArray as $item){
    $rate = in_array(soundex($item),$soundexMatch) + in_array(metaphone($item),$metaphoneMatch);
    if ($rate > 1){
        $matches[] = $item;
    }
}
$pattern = implode("|",$matches);
$text = preg_replace("/($pattern)/","<b>$1</b>",$text);
echo $text;
?>

Alguns ajustes e, digamos, transliteração cirílica, e você terá uma solução bastante robusta.

Usando o módulo CPAN Regexp :: Assemble :

#!/usr/bin/env perl

use Regexp::Assemble;

my $ra = Regexp::Assemble->new;
$ra->add($_) for qw(Gadaffi Gadafi Gadafy Gaddafi Gaddafy
                    Gaddhafi Gadhafi Gathafi Ghadaffi Ghadafi
                    Ghaddafi Ghaddafy Gheddafi Kadaffi Kadafi
                    Kaddafi Kadhafi Kazzafi Khadaffy Khadafy
                    Khaddafi Qadafi Qaddafi Qadhafi Qadhdhafi
                    Qadthafi Qathafi Quathafi Qudhafi Kad'afi);
say $ra->re;

Isso produz a seguinte expressão regular:

(?-xism:(?:G(?:a(?:d(?:d(?:af[iy]|hafi)|af(?:f?i|y)|hafi)|thafi)|h(?:ad(?:daf[iy]|af?fi)|eddafi))|K(?:a(?:d(?:['dh]a|af?)|zza)fi|had(?:af?fy|dafi))|Q(?:a(?:d(?:(?:(?:hd)?|t)h|d)?|th)|u(?:at|d)h)afi))

Eu acho que você acabou complicando as coisas aqui. O regex correto é tão simples quanto:

\u0627\u0644\u0642\u0630\u0627\u0641\u064a

Corresponde à concatenação dos sete pontos de código Unicode em árabe que formam a palavra القذافي (ou seja, Gadaffi).

Se você deseja evitar a correspondência de coisas que ninguém usou (por exemplo, evitar tender para ". +"), Sua melhor abordagem seria criar uma expressão regular que seja apenas todas as alternativas (por exemplo, (Qadafi | Kadafi | ...) ), compile-o em um DFA e converta-o novamente em uma expressão regular. Supondo uma implementação moderadamente sensata que daria a você uma expressão regular "compactada", garantida para não conter variantes inesperadas.

Se você tem uma lista concreta de todas as 30 possibilidades, basta concatená-las todas juntas com vários "ors". Então, você pode ter certeza de que corresponde apenas às coisas exatas listadas e não mais. Seu mecanismo de ER provavelmente será capaz de otimizar ainda mais e, bem, com 30 opções, mesmo que não o faça, ainda não é grande coisa. Tentar mexer manualmente transformando-o em um ER "inteligente" não pode ser melhor e pior.

(G|Gh|K|Kh|Q|Qh|Q|Qu)(a|au|e|u)(dh|zz|th|d|dd)(dh|th|a|ha|)(\x27|)(a|)(ff|f)(i|y)

Certamente não é a versão mais otimizada, divida em sílabas para maximizar as correspondências enquanto tenta garantir que não obtemos falsos positivos.

Bem, como você está combinando pequenas palavras, por que você não tenta um mecanismo de pesquisa de similaridade com a distância de Levenshtein ? Você pode permitir no máximo k inserções ou exclusões. Dessa forma, você pode alterar a função de distância para outras coisas que funcionam melhor para o seu problema específico. Existem muitas funções disponíveis na biblioteca simMetrics.

Uma alternativa possível é a ferramenta online para gerar expressões regulares a partir de exemplos http://regex.inginf.units.it . Dar uma chance!

Por que não fazer uma abordagem mista? Algo entre uma lista de todas as possibilidades e um Regex complicado que corresponde demais.

Regex é sobre correspondência de padrões e não consigo ver um padrão para todas as variantes na lista. Ao tentar fazer isso, também encontrará coisas como "Gazzafy" ou "Quud'haffi" que provavelmente não são uma variante usada e definitivamente não estão na lista.

Mas eu posso ver padrões para algumas das variantes e acabei com isso:

\b(?:Gheddafi|Gathafi|Kazzafi|Kad'afi|Qadhdhafi|Qadthafi|Qudhafi|Qu?athafi|[KG]h?add?h?aff?[iy]|Qad[dh]?afi)\b

No começo, listo aqueles em que não consigo ver um padrão e, em seguida, seguimos algumas variantes onde existem padrões.

Veja aqui em www.rubular.com

Eu sei que esta é uma pergunta antiga, mas ...

Nenhuma dessas duas regexes é a mais bonita, mas elas são otimizadas e ambas correspondem a TODAS as variações da postagem original.

"Pequena Beleza" # 1

(?:G(?:a(?:d(?:d(?:af[iy]|hafi)|af(?:f?i|y)|hafi)|thafi)|h(?:ad(?:daf[iy]|af?fi)|eddafi))|K(?:a(?:d(?:['dh]a|af?)|zza)fi|had(?:af?fy|dafi))|Q(?:a(?:d(?:(?:(?:hd)?|t)h|d)?|th)|u(?:at|d)h)afi)

"Pequena Beleza" # 2

(?:(?:Gh|[GK])adaff|(?:(?:Gh|[GKQ])ad|(?:Ghe|(?:[GK]h|[GKQ])a)dd|(?:Gadd|(?:[GKQ]a|Q(?:adh|u))d|(?:Qad|(?:Qu|[GQ])a)t)h|Ka(?:zz|d'))af)i|(?:Khadaff|(?:(?:Kh|G)ad|Gh?add)af)y

Descanse em paz, Muammar.

Apenas um adendo: você deve adicionar "Gheddafi" como ortografia alternativa. Portanto, a ER deve ser

\b[KG]h?[ae]dd?af?fi$\b

[GQK] [ahu] + [dtez] + \ '? [Adhz] + f {1,2} (i | y)

Em partes:

• [GQK]
• [ahu] +
• [dtez] +
• \ '?
• [adhz] +
• f {1,2} (i | y)

_{Nota: Só queria dar uma chance a isso.}

O que mais começa com Q, G ou K, tem ad, z ou t no meio e termina em "fi" que as pessoas realmente procuram?

/\b[GQK].+[dzt].+fi\b/i

Feito.

>>> print re.search(a, "Gadasadasfiasdas") != None
False
>>> print re.search(a, "Gadasadasfi") != None
True
>>> print re.search(a, "Qa'dafi") != None
True

Interessante que estou ficando com voto negativo. Alguém pode deixar alguns falsos positivos nos comentários?