查找由0到n个单词分隔的两个字符串最有效的正则表达式是什么？

Question

我使用了一些排列，但它们看起来都很慢。简而言之，我要寻找的是“foo”和“bar”之间并没有任何分隔，一个单词边界，一个或两个单词，这两个单词可能是部分匹配的：

foobar -> Match
foo-bar -> Match
foo bar -> Match
foo biz bar -> Match
foo biz bang bar -> Match
foo biz bang bang bar -> No Match
foo-biz bar -> Match
FoO, bAr -> Match
Foos Baring -> Match
Foobizbangbarnit -> No match
Foobizbar -> Match
Arfoo bar -> No match
...

实际上，我需要匹配几个组合：

ant, bee
ant, cat
ant, dog
elephant, bee
elephant, cat
frog, bee
frog, cat
frog, dog
goat, hedgehog

在大约30亿个文本片段中包含大约200个组合的列表。使用：

r'\bant\W{0,4}(\w*|\w+\W+\w+|\w+\W+\w+\W+\w+)(bee|cat|dog)|' +
r'\belephant\W{0,4}(\w*|\w+\W+\w+|\w+\W+\w+\W+\w+)(bee|cat)|' +
r'\bfrog\W{0,4}(\w*|\w+\W+\w+|\w+\W+\w+\W+\w+)(bee|cat|dog)|' +
r'\bgoat\W{0,4}(\w*|\w+\W+\w+|\w+\W+\w+\W+\w+)hedgehog'

工作正常，但速度非常慢（大约慢1500小时）。不幸的是，这些组合并不容易嵌套。我正在尝试创建更快的更自由的正则表达式，这样我就可以将30亿个片段配对到预期的300-400万个片段，然后在子集上运行更严格的正则表达式，但是任何想法都是受欢迎的。有什么建议吗

Answer 1

首先，和评论一样的问题，为什么foo biz bang bang bar不匹配？你希望把bar放在哪里？你的例子把我弄糊涂了

也许您可以将一个正则表达式拆分为两个，然后将每个候选字符串与两个表达式匹配（这种拆分是否有效取决于您对bar位置的限制，似乎您希望foo始终位于字符串的开头）？这样做可以避免在中间匹配字符

例如：foo...bar->^(?i)foo+(?i)bar，（(?i)代表case insensitive）