Expresión regular para buscar Gadaffi

Estoy tratando de buscar la palabra Gadaffi. ¿Cuál es la mejor expresión regular para buscar esto?

Mi mejor intento hasta ahora es:

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

Pero todavía parece que me faltan algunas revistas. ¿Alguna sugerencia?

Actualización: encontré una lista bastante extensa aquí: http://blogs.abcnews.com/theworldnewser/2009/09/how-many-different-ways-can-you-spell-gaddafi.html

La respuesta a continuación coincide con las 30 variantes:

Gadaffi
Gadafi
Gadafy
Gadafi
Gaddafy
Gadafi
Gadafi
Gathafi
Ghadaffi
Gadafi
Gadafi
Gadada
Gadafi
Kadaffi
Kadafi
Gadafi
Gadafi
Kazzafi
Khadaffy
Khadafy
Khaddafi
Qadafi
Gadafi
Gadafi
Gadafi
Gadafi
Gatafi
Quathafi
Qudhafi
Gadafi

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

La transcripción en árabe es (Wiki dice) "Qaḏḏāfī", así que quizás agregue una Q. Y una H ("Gadhafi", como menciona el artículo (ver más abajo)).

Por cierto, ¿por qué hay un $al final de la expresión regular?

Por cierto, buen artículo sobre el tema:

Gadafi, Kadafi o Gadafi? ¿Por qué el nombre del líder libio se deletrea de muchas maneras diferentes? .

EDITAR

Para hacer coincidir todos los nombres en el artículo que mencionó más adelante , esto debería coincidir con todos. Esperemos que no coincida con muchas otras cosas: D

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

Fácil ... (Qadaffi|Khadafy|Qadafi|... )... está auto documentado, se puede mantener, y suponiendo que su motor regexp realmente compila expresiones regulares (en lugar de interpretarlas), se compilará en el mismo DFA que una solución más ofuscada.

Escribir expresiones regulares compactas es como usar nombres de variables cortos para acelerar un programa. Solo ayuda si tu compilador tiene muerte cerebral.

Una cosa interesante de su lista de posibles deletreos es que solo hay 3 valores Soundex para la lista contenida (si ignora el 'Kazzafi' atípico)

G310, K310, Q310

Ahora, hay falsos positivos allí ('Godby' también es G310), pero al combinar también los golpes limitados de metafonía, puede eliminarlos.

<?
$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;
?>

Algunos ajustes, y digamos alguna transcripción cirílica, y tendrás una solución bastante robusta.

Usando el 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;

Esto produce la siguiente expresión 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))

Creo que has terminado de complicar las cosas aquí. La expresión regular correcta es tan simple como:

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

Coincide con la concatenación de los siete puntos de código Unicode en árabe que forman la palabra القذافي (es decir, Gadaffi).

Si desea evitar combinar cosas que nadie ha usado (es decir, evitar tender hacia ". +"), Su mejor enfoque sería crear una expresión regular que sea solo todas las alternativas (por ejemplo, (Qadafi | Kadafi | ...) ) luego compile eso en un DFA, y luego convierta el DFA nuevamente en una expresión regular. Asumiendo una implementación moderadamente sensata que le daría una expresión regular "comprimida" que garantiza que no contiene variantes inesperadas.

Si tienes una lista concreta de las 30 posibilidades, solo concatena todas con un grupo de "ors". Entonces puede estar seguro de que solo coincide con las cosas exactas que ha enumerado, y no más. Su motor RE probablemente podrá optimizar aún más y, bueno, con 30 opciones, incluso si no es así, no es un gran problema. Intentar jugar un poco con convertirlo manualmente en un RE "inteligente" no puede resultar mejor y puede resultar peor.

(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)

Ciertamente no es la versión más optimizada, dividida en sílabas para maximizar las coincidencias mientras tratamos de asegurarnos de que no obtengamos falsos positivos.

Bueno, ya que estás haciendo coincidir palabras pequeñas, ¿por qué no pruebas un motor de búsqueda de similitud con la distancia de Levenshtein ? Puede permitir a lo sumo k inserciones o eliminaciones. De esta manera, puede cambiar la función de distancia a otras cosas que funcionen mejor para su problema específico. Hay muchas funciones disponibles en la biblioteca simMetrics.

Una posible alternativa es la herramienta en línea para generar expresiones regulares a partir de ejemplos http://regex.inginf.units.it . ¡Dame una oportunidad!

¿Por qué no hacer un enfoque mixto? Algo entre una lista de todas las posibilidades y un Regex complicado que coincide demasiado.

Regex trata sobre la coincidencia de patrones y no puedo ver un patrón para todas las variantes en la lista. Al intentar hacerlo, también encontrará cosas como "Gazzafy" o "Quud'haffi", que probablemente no sean una variante usada y definitivamente no están en la lista.

Pero puedo ver patrones para algunas de las variantes, y así terminé con esto:

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

Al principio, enumero aquellos en los que no puedo ver un patrón, luego me siguen algunas variantes donde hay patrones.

Véalo aquí en www.rubular.com

Sé que esta es una vieja pregunta, pero ...

Ninguna de estas dos expresiones regulares es la más bonita, pero están optimizadas y ambas coinciden con TODAS las variaciones en la publicación original.

"Pequeña belleza" # 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)

"Pequeña belleza" # 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

Descansa en paz, Muammar.

Solo un apéndice: debe agregar "Gheddafi" como ortografía alternativa. Entonces el RE debería ser

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

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

En partes:

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

_{Nota: Solo quería darle una oportunidad a esto.}

¿Qué más comienza con Q, G o K, tiene ad, z o t en el medio y termina en "fi" que la gente realmente busca?

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

Hecho.

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

Interesante que me voten negativamente. ¿Alguien puede dejar algunos falsos positivos en los comentarios?