Найти комбинацию вхождеий Х слов в произвольной последовательности

[h_hogan]

Не понял вопроса, приведите пример плиз
Или имеется в виду, что данная регулярка будет реагировать и на такие выражения, как
word1 word1 word1 word1
?

 

[dandandan]

данная регулярка будет реагировать и на такие выражения, как
word1 word1 word1 word1
?

Да я про это. Как бы не критично. Идея понравилась.

 

[h_hogan]

Можно повозиться с негативным просмотром вперед, но я думаю что рациональнее будет просто отфильтровать всю выборку на повторение слов

 

[ph34rd]

По регуляркам рекомендую книжку - Для просмотра ссылки Войди или Зарегистрируйся , есть ответы на все вопросы.

В ней можно узнать, что есть несколько реализаций регулярных выражений, и в данной задаче важно это уточнить, в частности какой механизм и язык используется... явно будет полезно наличие мета-символа \b или \> и \< тоже самое касается и вопросов поддержки юникода, так же это касается и использования | поиска множественных альтернатив - где-то это может быть ужасно не оптимально... в общем первое правило - четко поставить задачу и определить допустимые погрешности результатов.
По задаче, ее мне кажется оптимальней будет решать смесью регулярки и некой постобработки (как пример выше) или вообще логичнее будет написать свой алгоритм который будет работать быстрее и оптимальнее.

ps:
А раз уж ломаете голову над задачей целый год - данная книжка для самообразования будет очень полезна.

 

[dandandan]

Пришлось вернуться к этой теме. Появилась похожая задача, решаемая методом

~(?:word1\s*|word2\s*|word3\s*|word4\s*){4}~

только вместо word1 и остальных слов идут перечисления слов в разных родах, падежах, спряжениях. Вот пример:

Спойлер

/(?:(инфраструктура|инфраструктуры|инфраструктуре|инфраструктуру|инфраструктурой|инфраструктурою|инфраструктур|инфраструктурам|инфраструктурами|инфраструктурах)\s*|
(сесть|сел|села|село|сели|сяду|сядем|сядешь|сядете|сядет|сядут|сев|севши|сядемте|сядь|сядьте|севший|севшего|севшему|севшим|севшем|севшая|севшей|севшую|севшею|севшее|севшие|севших|севшими|селу|селом|селе|селам|селами|селах)\s*|
(и)\s*|
(ее|она|нее|ней|ей|ею|нею)\s*|
(роля|роли|роле|ролю|ролей|ролею|роль|ролям|ролями|ролях|ролью)\s*|
(в)\s*|(развитие|развитье|развития|развитья|развитию|развитью|развитием|развитьем|развитии|развитьи|развитий|развитиям|развитьям|развитиями|развитьями|развитиях|развитьях)\s*|
(сельскохозяйственный|сельскохозяйственного|сельскохозяйственному|сельскохозяйственным|сельскохозяйственном|сельскохозяйственная|сельскохозяйственной|сельскохозяйственную|сельскохозяйственною|сельскохозяйственное|сельскохозяйственные|сельскохозяйственных|сельскохозяйственными|сельскохозяйствен|сельскохозяйственен|сельскохозяйственна|сельскохозяйственно|сельскохозяйственны|сельскохозяйственнее|сельскохозяйственней|посельскохозяйственнее|посельскохозяйственней)\s*|
(производство|производства|производству|производством|производстве|производств|производствам|производствами|производствах)\s*){3,10}/uism

Количество перечислений в каждой группе слов я изначально не знаю, но при формировании паттерна уже знаю. Для приведенного шаблона вылазиет ошибка: Compilation failed: regular expression is too large at offset 19052

Погуглил, на stackoverflow предлагают добавить в код

// essential for huge PCREs
ini_set("pcre.backtrack_limit", "230013370");
ini_set("pcre.recursion_limit", "230013370");
// imagine your PCRE here...

Далее идет опровержение данного предложения и другое предложение: разбивать шаблон на мелкие части и как-то далее обрабатывать с помощью алгоритмов php. Второй день сижу думаю: Что за алгоритмы можно применить? И еще вопрос можно ли как-то уменьшить длину паттерна, если известно, что в перечислении идут однородные слова?

 

[xpert13]

Регулярку укоротить можно, но в реале это практически ничего не даст. Лучше изменить алгоритм, например: разбивать текст на слова и искать нужные слова и их последовательность. Не все задачи рационально решать с помощью регулярок.

 

[dandandan]

Лучше изменить алгоритм, например: разбивать текст на слова и искать нужные слова и их последовательность. Не все задачи рационально решать с помощью регулярок.

Сейчас первым шагом ищу каждое отдельное слово. Если оно есть в тексте, то включаю в регулярку, если его нету, то исключаю. В результате размер регулярки значительно уменьшился... время выполнения скрипта увеличилось...

 

[dandandan]

появилась еще более извращенная потребность искать слова. Теперь нужно найти такое:

word1 (от 0 до 4 произвольных любых слов в тексте) word2 (от 0 до 4 произвольных любых слов в тексте) word3

word1, word2, word3 - исходные слова, что и выше. Могут встречаться в произвольном перемешанном варианте. Между ними от 0 до 4 слов с произвольными знаками препинания.
Исходную регулярку модифицировать не удалось.

 

[lag]

На просторах интернета встретил обсуждение нечто похожего Для просмотра ссылки Войди или Зарегистрируйся
Речь шла про первое вхождение из 20 слов, из которых два слова - однобуквенные.
Там подошло бы что-нибудь простое.
( слово | предлог ){20}

Осталось придумать, как проконтролировать, что бы совпадение с предлог было ровно два раза.
Думаю реализовать через условные подмаски (?(condition)yes-pattern|no-pattern).
Библиотека PCRE допускает использование относительного номера подмаски +2,-3 и т.д.

( (?(-1) (?!) | pattern ) )

Такая конструкция проверяет, участвовала ли внешняя пара сохраняющих круглых скобок в совпадении и не дает ей совпасть повторно.

(
  слово
  |
  ( (?(-1) (?!) | предлог ) )
  |
  ( (?(-1) (?!) | предлог ) )
){20}