生成能够精确匹配原字符串的正则表达式

简介

需求内容：需要将不同的公司名称归一化
比如namecheap, NAMECHEAP. INC. 等表示同一含义，但是表现形式不同
本文使用java语言实现了由一串字符串自动生成精确匹配的正则表达式的方式，并顺带介绍了归一化不同表达方式的公司为同一个公司的方案

具体方案

将收集到的域名注册商或者服务提供商进行字典序的排序，然后按照字母字典序来拆分成（26个字母+其他语言）的集合，每个集合分开来处理每个字母对应的注册商和服务商，将复杂问题拆解，划分成更小的问题进行解决
1、找出同一个字母开头的服务商或者注册商群进行归类

• 截取掉一些关键信息，包括以下的几类缩写：
• 有限公司
  • Ltd.（Limited）：常见于英语国家，如美国、英国、加拿大、澳大利亚等。
  • S.A.（Societe Anonyme）：常见于法语国家，如法国、瑞士、比利时、卢森堡、意大利、西班牙、葡萄牙等。
  • GmbH（Gesellschaft mit beschränkter Haftung）：常见于德语国家，如德国、瑞士等。
  • K.K.（Kabushiki Kaisha）：常见于日语国家，如日本、韩国等。
  • S.R.L.（Società a responsabilità limitata）：常见于意大利语国家，如意大利、墨西哥等。
  • S.A.R.L.（Société à responsabilité limitée）：常见于法语国家，如法国、比利时、卢森堡等。
  • B.V.（Besloten Vennootschap）：常见于荷兰语国家，如荷兰、比利时、卢森堡等。
  • N.V.（Naamloze Vennootschap）：常见于荷兰语国家，如荷兰、比利时、卢森堡等。
• 股份有限公司
  • Plc.（Public Limited Company）：常见于英语国家，如英国、加拿大、澳大利亚等。
  • S.A.（Societe Anonyme）：常见于法语国家，如法国、瑞士、比利时、卢森堡、意大利、西班牙、葡萄牙等。
  • AG（Aktiengesellschaft）：常见于德语国家，如德国、瑞士等。
  • K.K.（Kabushiki Kaisha）：常见于日语国家，如日本、韩国等。
  • S.A.P.A.（Società per Azioni）：常见于意大利语国家，如意大利、墨西哥等。
  • S.A.R.L.（Société Anonyme à Responsabilité Limitée）：常见于法语国家，如法国、比利时、卢森堡等。
  • B.V.A.（Besloten Vennootschap met Aandeelhouders）：常见于荷兰语国家，如荷兰、比利时、卢森堡等。
  • INC.(Incorporated) 代表股份邮箱公司
• 其他
  • Co. （Company）：常见于英语国家，表示公司。
  • Ltd. Co.（Limited Company）：常见于英语国家，表示有限公司。
  • Pte. Ltd.（Private Limited Company）：常见于新加坡，表示私人有限公司。
  • S.C.（Società Civile）：常见于意大利语国家，表示合伙公司。
  • S.C.S.（Società in accomandita semplice）：常见于意大利语国家，表示有限合伙公司。
  • S.N.C.（Società in nome collettivo）：常见于意大利语国家，表示无限合伙公司。
  • S.L.（Sociedad Limitada）：西班牙语有限责任公司
  • Inc.（incorporated ）股份有限公司的常见缩写
  • Limited （limited liability company）有限责任公司的缩写
  • LLC（limited liability company）有限责任公司的缩写
  • Co.,（company）公司的缩写，类似还有Corp.Co.
    对于每个公司名称，先根据这些常见的缩写进行拆分：
    拆分完成之后，在每个字母开头的集群里去进行正则匹配，不区分大小，如何匹配到相同的正则表达式(由开发定义），匹配成功，则合成一个并查集
    对于一些没办法通过自动正则表达式规则匹配的，通过手动配置相关联的名称为同一个正则表达式，然后将两个集合合并在一起。

生成正则表达式的代码实现

// 生成归一化的正则表达式
    public static String generateRegularExpression(String str,
        Map<Integer, List<String>> companySuffixMap, List<String> pureCompanySuffix) {
        String strToLowerCase = str.toLowerCase();
        //先遍历特殊的公司后缀
        for(Integer innerElement : companySuffixMap.keySet()) {
            List<String> companySuffixList = companySuffixMap.get(innerElement);
            for(String companySuffix : companySuffixList) {
                String companySuffixToLowerCase = companySuffix.toLowerCase(Locale.ROOT);
                int index = strToLowerCase.indexOf(companySuffixToLowerCase);
                if(index != -1) {
                    String prefixStr = strToLowerCase.substring(0, index);
                    return "^(?i)" + matchRegx(prefixStr) + ".*$";
                }
            }
        }
        //再遍历英文公司后缀
        for(String englishCompanySuffix : pureCompanySuffix) {
            String companySuffixToLowerCase = englishCompanySuffix.toLowerCase(Locale.ROOT);
            int index = strToLowerCase.indexOf(companySuffixToLowerCase);
            if(index != -1) {
                if(index == 0) {
                    continue;
                }
                if(strToLowerCase.charAt(index - 1) == ' ' || strToLowerCase.charAt(index - 1) == ','
                        || strToLowerCase.charAt(index - 1) == '.') {
                    String prefixStr = strToLowerCase.substring(0, index-1);
                    return "^(?i)" + matchRegx(prefixStr) + ".*$";
                }
            }
        }
        //实在不行，就进行全匹配
        return "^(?i)" + matchRegx(str) + "$";
    }
    public static String matchRegx(String prefixStr) {
        return escapeSpecialCharacters(prefixStr).replaceAll("[ ,.]", "[\\\\s|,|\\.]*");
    }

    public static String escapeSpecialCharacters(String inputString) {
        StringBuilder escapedString = new StringBuilder();
        for (char character : inputString.toCharArray()) {
            switch (character) {
                case '\\':
                    escapedString.append("\\\\");
                    break;
                case '*':
                    escapedString.append("\\*");
                    break;
                case '+':
                    escapedString.append("\\+");
                    break;
                case '?':
                    escapedString.append("\\?");
                    break;
                case '[':
                    escapedString.append("\\\\[");
                    break;
                case ']':
                    escapedString.append("\\\\]");
                    break;
                case '(':
                    escapedString.append("\\(");
                    break;
                case ')':
                    escapedString.append("\\)");
                    break;
                case '{':
                    escapedString.append("\\{");
                    break;
                case '}':
                    escapedString.append("\\}");
                    break;
                case '^':
                    escapedString.append("\\^");
                    break;
                case '$':
                    escapedString.append("\\$");
                    break;
                case '|':
                    escapedString.append("\\|");
                    break;
                case '-':
                    escapedString.append("\\-");
                    break;
                case '/':
                    escapedString.append("\\/");
                    break;
                default:
                    escapedString.append(character);
            }
        }
        return escapedString.toString();
    }