如何检测某个短语或正则表达式的“错字”？

Question

如何检测错字，但仅限于特定短语。另一种思考方式是如何检测某个正则表达式的拼写错误。

例如，我不想要一个通用的拼写错误查找器，我在上面找到了多个资源。我不想要一个通用的拼写检查器，我再次找到了多个资源。

我如何为一个相对恒定的值编写一个错字检查器......比如说：

超级秘密 13-12345

它应该总是说“Super Secret NN-NNNNN”（N 表示任何 0-9 数字）。

它会将以下内容标记为“错别字”：

1. 超级秘密 13-12345
2. 超级秘密1312345
3. Sper Scret 13-123456
4. Spuer 秘密 13-12345
5. 超级秘密
6. 13-12345

它会不将以下内容标记为“错别字”：

1. 超级秘密13-12345
2. 任何其他随机词
3. 超人飞越丛林

我最担心额外的字符泄漏、转置字符或不遵循 NN-NNNNN 格式的数字。

我觉得这是一个可以回答的问题，但我可能只是没有用正确的词问 Google 或 SO。

我正在用 .NET 编写它，但显然可以移植任何东西。

Answer 1

这不是一个正则表达式的好地方：您需要一个能够检测每种可能类型的错字的正则表达式。相反，您应该查看Levenshtein distance。它会像这样工作：

1. 用占位符替换所有无效字符，例如“！”。
2. 用不同的占位符替换所有数字，例如“#”。
3. 计算与“超级秘密##-#####”的 Levenshtein 距离。
4. 如果距离低于某个值且不为 0，则返回 true。否则，返回 false。

一旦你实现它，在步骤 4 中使用阈值来匹配所需的行为。

编辑：“无效字符”可以表示除“Superct0123456789-”中的字符之外的任何字符，也可以表示除“-”之外的任何非字母数字。最终结果应该是一样的。

Answer 2

为什么不搜索您的号码模式，并查看 Super Secret 呢？如果它不存在，你可以捕捉那里的任何东西，看看它是否是你正在寻找的拼写错误？然后你可以添加一个简单的替换 - 或 re.sub() - 来输入正确的拼写？现在你必须小心，慢慢地构建正则表达式。有一些关于环视的东西不是固定长度的，但我现在忘记了它是向前看还是向后看有这个问题。如果您遇到此问题，有一些解决方法。为您的号码创建单独的捕获组 - 严格且具体 - 为您的短语创建另一个捕获组 - 更加灵活，例如 ?作为已知可能拼写错误的量词和字符集 [sS]。