Lo siento por la longitud de este. Tomé la premisa de esto como un pequeño desafío y surgió con una prueba de concepto en Ruby.
He trabajado suponiendo que puede suministrar varias cadenas que deben coincidir con la expresión regular (HITS) y un número que no debe coincidir (MISSES).
Basé el código en una implementación ingenua de un algoritmo genético. Ver las notas en la parte inferior de mis pensamientos sobre el éxito, o no, de este enfoque.
LOOP_COUNT = 100
class Attempt
# let's try email
HITS = %w[[email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] th[email protected] [email protected] [email protected]]
MISSES = %w[[email protected] [email protected]@.com j.com @domain.com nochance [email protected] [email protected] username-at-domain-dot-com linux.org eff.org microsoft.com sjobs.apple.com www.apple.com]
# odd mixture of numbers and letters, designed to confuse
# HITS = %w[a123 a999 a600 a545 a100 b001 b847 a928 c203]
# MISSES = %w[abc def ghi jkl mno pqr stu vwx xyz h234 k987]
# consonants versus vowels
# HITS = %w[bcd cdb fgh ghf jkl klj mnp npm qrs srq tvw vwt xzb bzx]
# MISSES = %w[aei oyu oio euu uio ioe aee ooo]
# letters < 11 chars and no numbers
# HITS = %w[aaa aaaa abaa azaz monkey longstring stringlong]
# MISSES = %w[aa aa1 aa0 b9b 6zz longstringz m_m ff5 666 anotherlongstring]
MAX_SUCCESSES = HITS.size + MISSES.size
# Setup the various Regular Expression operators, etc..
RELEMENTS = %w[. ? * + () \[ \] - |^$ \\ : @/{ }]
%w[A b B d D S s W w z Z].each do |chr|
RELEMENTS << "\\#{chr}"
end
%w[alnum alpha blank cntrl digit lower print punct space upper xdigit].each do |special|
RELEMENTS << "[:#{special}:]"
end
('a'..'z').each do |chr|
RELEMENTS << chr
end
('A'..'Z').each do |chr|
RELEMENTS << chr
end
(0..9).each do |chr|
RELEMENTS << chr.to_s
end
START_SIZE = 8
attr_accessor :operators, :successes
def initialize(ary = [])
@operators = ary
if ary.length < 1
START_SIZE.times do
@operators << random_op
end
end
@score = 0
@decay = 1
make_regexp
end
def make_regexp
begin
@regexp = Regexp.new(@operators.join(""))
rescue
# "INVALID Regexp"
@regexp = nil
@score = -1000
end
end
def random_op
RELEMENTS[rand(RELEMENTS.size)]
end
def decay
@decay -= 1
end
def test
@successes = 0
if @regexp
HITS.each do |hit|
result = (hit =~ @regexp)
if result != nil
reward
end
end
MISSES.each do |miss|
result = (miss =~ @regexp)
if result == nil
reward
end
end
end
@score = @successes
self
end
def reward
@successes += 1
end
def cross other
len = size
olen = other.size
split = rand(len)
ops = []
@operators.length.times do |num|
if num < split
ops << @operators[num]
else
ops << other.operators[num + (olen - len)]
end
end
Attempt.new ops
end
# apply a random mutation, you don't have to use all of them
def mutate
send [:flip, :add_rand, :add_first, :add_last, :sub_rand, :sub_first, :sub_last, :swap][rand(8)]
make_regexp
self
end
## mutate methods
def flip
@operators[rand(size)] = random_op
end
def add_rand
@operators.insert rand(size), random_op
end
def add_first
@operators.insert 0, random_op
end
def add_last
@operators << random_op
end
def sub_rand
@operators.delete_at rand(size)
end
def sub_first
@operators.delete_at 0
end
def sub_last
@operators.delete_at size
end
def swap
to = rand(size)
begin
from = rand(size)
end while to == from
@operators[to], @operators[from] = @operators[from], @operators[to]
end
def regexp_to_s
@operators.join("")
end
def <=> other
score <=> other.score
end
def size
@operators.length
end
def to_s
"#{regexp_to_s} #{score}"
end
def dup
Attempt.new @operators.dup
end
def score
if @score > 0
ret = case
when (size > START_SIZE * 2)
@score-20
when size > START_SIZE
@score-2
else
@score #+ START_SIZE - size
end
ret + @decay
else
@score + @decay
end
end
def == other
to_s == other.to_s
end
def stats
puts "Regexp #{@regexp.inspect}"
puts "Length #{@operators.length}"
puts "Successes #{@successes}/#{MAX_SUCCESSES}"
puts "HITS"
HITS.each do |hit|
result = (hit =~ @regexp)
if result == nil
puts "\tFAIL #{hit}"
else
puts "\tOK #{hit} #{result}"
end
end
puts "MISSES"
MISSES.each do |miss|
result = (miss =~ @regexp)
if result == nil
puts "\tOK #{miss}"
else
puts "\tFAIL #{miss} #{result}"
end
end
end
end
$stderr.reopen("/dev/null", "w") # turn off stderr to stop streams of bad rexexp messages
# find some seed attempt values
results = []
10000.times do
a = Attempt.new
a.test
if a.score > 0
# puts "#{a.regexp_to_s} #{a.score}"
results << a
end
end
results.sort!.reverse!
puts "SEED ATTEMPTS"
puts results[0..9]
old_result = nil
LOOP_COUNT.times do |i|
results = results[0..9]
results.map {|r| r.decay }
3.times do
new_results = results.map {|r| r.dup.mutate.test}
results.concat new_results
new_results = results.map {|r| r.cross(results[rand(10)]).test }
results.concat new_results
end
new_results = []
20.times do
new_results << Attempt.new.test
end
results.concat new_results
results.sort!.reverse!
if old_result != results[0].score
old_result = results[0].score
end
puts "#{i} #{results[0]}"
end
puts "\n--------------------------------------------------"
puts "Winner! #{results[0]}"
puts "--------------------------------------------------\n"
results[0].stats
Lecciones aprendidas jugando con este código.
En general, parece que ejecutar bucles más cortos varias veces es más probable que produzca un resultado utilizable. Sin embargo, esto puede deberse a mi implementación más que a la naturaleza de los algoritmos genéticos.
Puede obtener resultados que funcionan pero que aún contienen partes que son un galimatías.
Necesitarás una comprensión bastante firme de las expresiones regulares para comprender cuántos de los resultados realmente logran lo que hacen.
En última instancia, su tiempo probablemente sea mucho mejor dedicado a aprender expresiones regulares que tratar de utilizar este código como un acceso directo. Me doy cuenta de que el que pregunta pudo no haber tenido ese motivo y la razón por la que lo intenté fue porque era una idea interesante.
Hay muchos intercambios en los resultados. Cuanto más diverso sea HITS y MISSES que proporcione, más tiempo llevará producir un resultado y más bucles tendrá que ejecutar.Tener menos de cada uno probablemente producirá un resultado que sea masivamente específico para sus cadenas suministradas o tan genérico que no sea útil en una situación del mundo real.
También he codificado algunas suposiciones, como marcar expresiones que son demasiado largas.
Los seres humanos no pueden ni siquiera hacer esto tan bien (tan sólo mirar a algunas de las preguntas de expresiones regulares terriblemente presentados en StackOverflow) y estamos Se supone que es bueno para detectar patrones. Dudo que esto pueda hacerse a menos que tengas una IA bastante sofisticada con un gran conjunto de datos de entrenamiento tal vez. Sin embargo, casi nada útil puede salir de una sola cadena de entrada. – polygenelubricants
@polygenelubricants La idea es utilizar estos patrones en el entrenamiento de la IA. – smothers