基于Levenshtein距离的正则表达式模糊匹配问题求助

问题根源 #

你当前的正则表达式问题在于：{e<=4}仅作用于第二个括号内的整个备选分组，而非单个关键词；同时第一个分组完全没有容错规则，导致gren（与green编辑距离为1）无法匹配第一个(black|white|green)分组。

方案1：Python regex库正确用法 #

给每个关键词单独配置编辑距离阈值（根据词长手动调整），而非给整个备选组统一设置。

匹配2个带容错的颜色词聚集 #

import regex

# 为每个颜色词单独设置编辑距离（这里设为1，对应短词的小错误）
pattern = r'((black){e<=1}|(white){e<=1}|(green){e<=1}).{1,300}((black){e<=1}|(white){e<=1}|(green){e<=1})'

# 测试用例
print(regex.search(pattern, 'gren white'))  # 返回匹配结果
print(regex.search(pattern, 'green wrhite'))  # 返回匹配结果

匹配4个带容错的颜色词聚集 #

如果需要匹配至少4个颜色词的聚集，可调整为重复结构：

import regex

# 匹配4个带容错的颜色词，两两间隔不超过300字符
pattern = r'(?:((black){e<=1}|(white){e<=1}|(green){e<=1}).{1,300}){3}((black){e<=1}|(white){e<=1}|(green){e<=1})'

test_text = 'gren some text white another black more words green'
print(regex.search(pattern, test_text))  # 返回匹配结果

方案2：模糊匹配+位置校验（更灵活） #

如果需要更精细的聚集规则（比如动态调整间隔、统计匹配数量），可以先找出所有符合编辑距离的关键词匹配，再校验它们的位置是否聚集。以Python的fuzzysearch库为例：

from fuzzysearch import find_near_matches

keywords = ['black', 'white', 'green']
text = 'gren random text here white another segment black final part green'
max_edit_distance = 1  # 根据词长手动调整
max_interval = 300  # 聚集的间隔阈值
required_count = 4  # 需要聚集的关键词数量

# 收集所有符合条件的模糊匹配
all_matches = []
for kw in keywords:
    matches = find_near_matches(kw, text, max_l_dist=max_edit_distance)
    all_matches.extend(matches)

# 按位置排序，检查是否存在连续聚集的匹配
all_matches.sort(key=lambda x: x.start)
current_cluster_count = 1
has_valid_cluster = False

for i in range(1, len(all_matches)):
    # 计算当前匹配与上一个匹配的间隔（从上个匹配结束到当前匹配开始）
    interval = all_matches[i].start - all_matches[i-1].end
    if interval <= max_interval:
        current_cluster_count += 1
        if current_cluster_count >= required_count:
            has_valid_cluster = True
            break
    else:
        current_cluster_count = 1

print(has_valid_cluster)  # 输出True表示存在符合要求的聚集

多语言适配思路 #

核心逻辑跨语言通用：

1. 选择对应语言的模糊匹配工具（比如Java用Apache Commons Text的LevenshteinDistance，JavaScript用fuzzball库）；
2. 遍历所有目标关键词，找出文本中所有符合编辑距离阈值的匹配位置；
3. 对匹配位置排序，校验是否存在满足间隔要求的连续聚集（数量达标）。

内容的提问来源于stack exchange，提问作者MMT