问题标签 [string-matching]

我在下面有一段代码，我试图用它来匹配中间可以更改的字符串的开头和结尾。我首先试图让这个例子工作，有人可以告诉我这个代码的错误以及为什么它根本不匹配。

我有一个有点高水平的问题，所以我会尽量具体。

我正在进行大量研究，涉及将不同的数据集与引用同一实体（通常是公司或金融证券）的标题信息相结合。这种记录链接通常涉及标题信息，其中名称是唯一常见的主要标识符，但通常可以使用一些辅助信息（例如城市和州、操作日期、相对大小等）。这些匹配通常是一对多的，但也可能是一对一的，甚至是多对多的。我通常是手动完成这种匹配，或者对已清理的子字符串进行非常基本的文本比较。我偶尔会使用一个简单的匹配算法，比如 Levenshtein 距离测量，但我没有从中得到太多，部分原因是我没有一个好的正式的应用方法。

我的猜测是，这是一个相当普遍的问题，并且必须已经开发了一些正式的流程来完成此类事情。我已经阅读了一些关于该主题的学术论文，这些论文涉及给定方法的理论适用性，但我还没有找到任何好的资源来介绍配方或至少是一个实用的框架。

我的问题如下：

• 有谁知道实现多维模糊记录匹配的良好来源，例如书籍或网站或已发表的文章或工作论文？

• 我更喜欢有实际例子和明确方法的东西。

• 该方法可以是迭代的，在中间阶段进行人工检查以进行改进。

• （编辑）链接数据用于统计分析。因此，一点点噪音是可以的，但是对于更少的“不正确匹配”而不是更少的“不正确的不匹配”有强烈的偏好。

• 如果他们在 Python 中，那就太棒了，但不是必需的。

最后一件事，如果重要的话，是我不太关心计算效率。我没有动态实现这一点，我通常处理几千条记录。

我有一个项目，我正在测试一种对噪声非常敏感的设备（电磁、无线电等）。该设备基于给定的输入（音频）每秒生成 5-6 字节的二进制数据（对于未经训练的人来说看起来像是胡言乱语）。

根据噪声，有时设备会丢失字符，有时会插入随机字符，有时会同时插入多个字符。

我编写了一个应用程序，使用户能够即时查看它生成的错误（与主文件相比[例如设备在理想条件下应输出的内容]）。我的算法基本上采用实时数据中的每个字节，并将其与已知主文件中相同位置的字节进行比较。如果字节不匹配，我将在当前位置的两个方向都有一个 10 个字符的窗口，我将在其中寻找附近的匹配项。如果匹配（加上一两个验证），我会在 UI 中直观地标记位置并记录错误。

这种方法工作得相当好，实际上，考虑到传入数据的速度，它也可以实时工作。但是，我觉得我所做的并不是最优的，如果数据以更高的速率传输，这种方法就会崩溃。

我可以采取其他方法吗？这种类型的东西有已知的算法吗？
多年前我读到美国宇航局的数据收集设备（例如，与太空和月球/火星上的飞行器通信的设备）尽管受到太空的巨大干扰，但数据丢失了 0.00001%。

有任何想法吗？

这只是一个普遍的“我的正则表达式有什么问题，它没有提取出我所期望的一切”的问题。

这是我的字符串：

我希望能够拉出时代"0900-1600"和"1700-2000"。

这是我的正则表达式/([0-9]{4}-[0-9]{4})/，虽然它在查找时间的第一次出现时效果很好，但它不会返回与第二次匹配的匹配项。有人能告诉我为什么吗？

这是我记录的实际代码片段：

是否可以在每个表的每一列中搜索PostgreSQL 中的特定值？

Oracle有一个类似的问题。

我有一个文本文件，我想获取以模式开头并以特定模式结束的特定行。例子：

还应打印开始图案和结束图案。我的第一次尝试并没有真正成功：

在此先感谢您的帮助。

我试图理解 aho-corasick 字符串匹配算法。假设我们的模式是abcd和bc。我们最终得到一棵这样的树

虚线表示失效函数。

现在假设我们输入字符串abcd。这将跟随树并检测匹配“abcd”，但是，据我所知，bc不会报告匹配。我误解了算法吗？

我正在做一个小项目，我需要一些帮助。我有一个包含 150,000 行的 CSV 文件（每行有 10 列数据）。我正在使用 fscvread 读取文件，并且在循环期间，我想将每行的其中一列（称为 stringx）与 10,000 个单词的数组进行匹配。如果 stringx 中存在 10,000 个单词中的任何一个，则使用 preg_replace 将其删除。

现在这一切都很好。我的一切工作正常，但问题是，它太慢了。

我尝试了 2 种方法来匹配数组。1）我使用explode（“”，$stringx）将stringx转换为数组，然后使用array_diff（$array_stringx，$array_10000）；2) 在 $array_10000 上使用 foreach 并在 $stringx 上使用 preg_replace

方法 1 大约需要 60 秒来遍历 200 行数据，方法 2 可以在 60 秒内循环 500 行。

有一个更好的方法吗？

再一次，我正在寻找一种有效的方法来（基本上）array_diff 一个包含 10,000 个单词的数组，一次针对 150,000 个字符串。

非常感谢您的帮助。

C 中是否有 Boyer-Moore 字符串搜索算法的工作示例？我查看了一些网站，但它们看起来很糟糕，包括维基百科。

谢谢。

如果我有一个字符串 str 是：a>b
查找字符串 str 是否有一个的最佳方法是什么>？我使用：

delimiter =">"
str.split(delimter)

或者

str.contains(">")

还是正则表达式？实际上我更喜欢使用正则表达式，在这种情况下如何使用正则表达式？

谢谢您的帮助