模糊搜索彼此接近的单词

Question

给定一小组单词（为了具体起见，假设为 3 个），但更一般地说n，我想在文件中搜索其中两个单词彼此接近的情况。就接近而言，假设这两个单词最多k相距一个字符，其中k是某个常数。

理由：我正在我的收件箱 ( ) 中查找/var/spool/mail/username带有特定关键字的特定电子邮件。我不确定这些关键词是如何出现的。不过有一个词是比较常见的。两个词靠得很近的情况不太常见。

一个具体的激励例子：

“铝”、“行李”、“存储”。

在本例中，我正在搜索有关行李箱的电子邮件。

n就和而言，解决方案k将是最好的。

有关如何将其应用于多个文件的一些指示会很有帮助。

我不在乎解决方案使用什么语言。

Answer 1

从像https://linux.die.net/man/1/hunspell这样的词干工具开始 ，然后使用正则表达式 https://linux.die.net/man/1/grep 然后使用 wc sort 和 unique 按接近程度进行排序这些话是。

伪bash；

WORDS=$1
HAYSTACK=/var/mail

STEMS=$(hunspell --stem $WORDS)
REGEX=$(echo $STEMS | perl -pe 's/ /.*/g')
while read MATCH ; do
    FILE=$(echo $MATCH | cut -d : 1)
    COUNT=$(echo $MATCH | cut -d : 2 | perl -pe 's/.*('"$REGEXX"').*/$1/g' | wc -c)
    echo $COUNT\t$FILE
done < <(grep -rP "$REGEX" $HAYSTACK) | \
sort -nr

如果你想要更快，你可以使用 https://linux.die.net/man/1/locate 和正则表达式来限制单词之间的空间

a.{1,50}b