正则表达式:忽略额外的字符

Question

我试图弄清楚如何检测垃圾邮件中的额外字符,如:

pha.rmacy 要么 vi*agra

有任何想法吗？

Answer 1

您可以使用（不）相似性度量，例如编辑距离。例如，vi.agra和viagra之间的编辑距离是1。

然后，如果给定单词​​之间的编辑距离低于某个阈值（例如 2），则可以确定给定单词与垃圾邮件单词相同。

但如果您确实想使用正则表达式，您可以使用类似的方法/[^a-zA-Z0-9-\s]/从单词中删除标点符号。但话又说回来，你将无法识别出viZagra与 是同一个词的东西viagra。