从大约 5 个单词中以任意顺序匹配至少 3 个单词

Question

我有一组词：

"dog", "car", "house", "work", "cat"

我需要能够在一个文本中至少匹配其中的 3 个，例如：

"I always let my cat and dog at the animal nursery when I go to work by car"

这里我要匹配正则表达式，因为它至少匹配 3 个单词（这里是 4 个单词）：

"cat", "dog", "car" and "work"

编辑 1

我想将它与 Oracle 的 regexp_like 函数一起使用

编辑 2

我还需要它来处理连续的单词

Answer 1

由于Oracle的regexp_like不支持非捕获组和字边界，可以使用以下表达式：

^((.*? )?(dog|car|house|work|cat)( |$)){3}.*$

Try it out here.

或者，一个更大但可以说更清洁的解决方案是：

^(.*? )?(dog|car|house|work|cat) .*?(dog|car|house|work|cat) .*?(dog|car|house|work|cat)( .*)?$

Try it out here.

注意：它们都将匹配多次使用的同一个词，例如“狗狗狗”。

编辑：为了解决标点符号的问题，可以进行一些小的修改。它并不完美，但应该匹配 99% 涉及标点符号的情况（但不匹配，例如 !dog）：

^((.*? )?(dog|car|house|work|cat)([ ,.!?]|$)){3}.*$

Try it out here

Answer 2

这是一个不使用正则表达式的解决方案，将排除重复的单词，并且可以将要匹配的单词作为集合中的绑定参数传入：

SQL Fiddle

Oracle 11g R2 架构设置：

创建一个集合类型来存储单词列表：

CREATE TYPE StringList IS TABLE OF VARCHAR2(50)
/

创建一个 PL/SQL 函数将分隔字符串拆分到集合中：

CREATE OR REPLACE FUNCTION split_String(
  i_str    IN  VARCHAR2,
  i_delim  IN  VARCHAR2 DEFAULT ','
) RETURN StringList DETERMINISTIC
AS
  p_result       StringList := StringList();
  p_start        NUMBER(5) := 1;
  p_end          NUMBER(5);
  c_len CONSTANT NUMBER(5) := LENGTH( i_str );
  c_ld  CONSTANT NUMBER(5) := LENGTH( i_delim );
BEGIN
  IF c_len > 0 THEN
    p_end := INSTR( i_str, i_delim, p_start );
    WHILE p_end > 0 LOOP
      p_result.EXTEND;
      p_result( p_result.COUNT ) := SUBSTR( i_str, p_start, p_end - p_start );
      p_start := p_end + c_ld;
      p_end := INSTR( i_str, i_delim, p_start );
    END LOOP;
    IF p_start <= c_len + 1 THEN
      p_result.EXTEND;
      p_result( p_result.COUNT ) := SUBSTR( i_str, p_start, c_len - p_start + 1 );
    END IF;
  END IF;
  RETURN p_result;
END;
/

创建一些测试数据：

CREATE TABLE test_data ( value ) AS
SELECT 'I always let my cat and dog at the animal nursery when I go to work by car' FROM DUAL UNION ALL
SELECT 'dog dog foo bar dog' FROM DUAL
/

查询 1：

SELECT *
FROM   test_data
WHERE  CARDINALITY(
         split_string( value, ' ' )    -- Split the string into a collection
         MULTISET INTERSECT            -- Intersect it with the input words
         StringList( 'dog', 'car', 'house', 'work', 'cat' )
       ) >= 3                          -- Check that the size of the intersection
                                       -- is at least 3 items.

Results：

|                                                                      VALUE |
|----------------------------------------------------------------------------|
| I always let my cat and dog at the animal nursery when I go to work by car |

Answer 3

忽略我在原始帖子下的评论中提出的问题，这是解决问题的一种简单方法，使用连接和聚合（使用 HAVING 条件）。请注意，输入中像doghouse 这样的词将同时匹配dog 和house 等。（请阅读我在原帖下的评论！）

在下面的查询中，输入短语和要匹配的单词都被硬编码在分解子查询中（WITH 子句）。在严肃的环境中，两者都应该在基表中，或者作为输入变量等提供。

我展示了如何使用标准字符串比较运算符LIKE。这可以更改为REGEXP_LIKE，但这通常是不需要的（而且确实是个坏主意）。但是如果需要区分'dog'和'dogs'（和'dogwood'），或者需要不区分大小写的比较等，可以使用REGEXP_LIKE。该解决方案的重点是您无需担心匹配三个不同的单词；如果你知道如何匹配一个（是否需要全词匹配，大小写是否重要等），那么你也可以在相同的规则下轻松匹配三个单词。

with
  inputs ( input_phrase ) as (
    select
  'I always let my cat and dog at the animal nursery when I go to work by car'
    from   dual
  ),
  words ( word_to_match) as (
    select 'dog'   from dual union all
    select 'car'   from dual union all
    select 'house' from dual union all
    select 'work'  from dual union all
    select 'cat'   from dual
  )
select   input_phrase
from     inputs inner join words 
                on input_phrase like '%' || word_to_match || '%'
group by input_phrase
having   count(*) >= 3
;

INPUT_PHRASE                                                              
--------------------------------------------------------------------------
I always let my cat and dog at the animal nursery when I go to work by car

Answer 4

以下解决方案将排除重复匹配，不使用正则表达式（尽管您可以根据需要），并且不使用 PL/SQL。

WITH match_list ( match_word ) AS (
    SELECT 'dog' AS match_word FROM dual
     UNION ALL
    SELECT 'work' FROM dual
     UNION ALL
    SELECT 'car' FROM dual
     UNION ALL
    SELECT 'house' FROM dual
     UNION ALL
    SELECT 'cat' FROM dual
)
SELECT phrase, COUNT(*) AS unique_match_cnt, SUM(match_cnt) AS total_match_cnt
     , LISTAGG(match_word, ',') WITHIN GROUP ( ORDER BY match_word ) AS unique_matches
  FROM (
    SELECT pt.phrase, ml.match_word, COUNT(*) AS match_cnt
      FROM phrase_table pt INNER JOIN match_list ml
        ON ' ' || LOWER(pt.phrase) || ' ' LIKE '%' || ml.match_word || '%'
     GROUP BY pt.phrase, ml.match_word
) GROUP BY phrase
HAVING COUNT(*) >= 3;

关键是将要匹配的单词放入表或公用表表达式/子查询中。如果您愿意，可以使用REGEXP_LIKE() 代替LIKE，尽管我认为那样会更贵。如果您未使用 Oracle 11g 或更高版本，或者您实际上不需要知道匹配了哪些单词，请跳过 LISTAGG()，如果您想要区分大小写的匹配，请跳过 LOWER()。

Answer 5

如果你不需要匹配不同的单词。

(?:\b(?:dog|car|house|work|cat)\b.*?){3}

我不知道这是否适用于您的环境。

编辑：我没有看到几乎像这个一样的另一个答案。