[发明专利]基于正则表达式的文档字符串编码识别方法及装置

说明书

本公开属于核电技术领域，具体涉及一种基于正则表达式的文档字符串编码识别方法及装置。本公开根据正则表达式确定最佳因子集合；采用CW算法确定出现所述最佳因子集合中的最佳因子的文档记录，并将确定的文档记录添加到候选集合中；根据所述正则表达式确定的DFA自动机对候选集合中的最佳因子的字符串进行验证，将得到成功匹配的字符串。在查询正则表达式的时候定义了一个最佳因子，简化了使用正则表达式来查询的方式。根据最佳因子的个数选择CW算法对提取出来的最佳因子集合快速地查询，有效地过滤掉不包含最佳因子的字符串集合，得到候选字符串，并进一步使用DFA自动机对候选集中的字符串编码进行验证，从而提高整体的查询性能。

技术领域

本发明属于核电技术领域，具体涉及一种基于正则表达式的文档字符串编码识别方法及装置。

背景技术

数据库技术发展迅速，解决了很多现存的问题，并且在很多领域都得到了利用。但是随着数据库存储数据增多，数据库的数据查询变得更加困难。简单的字符串查询已经不能满足人们查询的要求。正则表达式(regular expression)描述了一种字符串匹配的模式(pattern)，可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等，但现有技术中面对海量的数据，单纯的采用正则表达式进行检索往往会出现检索效率底下的问题，因此如何使得支持基于正则表达式的字符串编码识别高效准确地执行成为亟待解决的问题。

发明内容

为克服相关技术中存在的问题，提供了一种基于正则表达式的文档字符串编码识别方法及装置。

根据本公开实施例的一方面，提供一种基于正则表达式的文档字符串编码识别方法，所述方法包括：

根据正则表达式确定最佳因子集合；

采用CW算法确定出现所述最佳因子集合中的最佳因子的文档记录，并将确定的文档记录添加到候选集合中；

根据所述正则表达式确定的DFA自动机对候选集合中的最佳因子的字符串进行验证，将得到成功匹配的字符串。

在一种可能的实现方式中，所述方法还包括：

根据编码规则确定所述正则表达式，所述编码规则包括规范化的编码数据。

在一种可能的实现方式中，根据正则表达式确定最佳因子集合，包括：

根据正则表达式确定一个或多个查询片段；

针对每个查询片段，确定该查询片段所有可能的字符串，该所有可能的字符串组成字符串集合；

将与所述正则表达式匹配的字符串中最长的字符串作为必要因子；

选择所述字符串集合中长度大于所述必要因子的字符串组成最佳因子集合。

在一种可能的实现方式中，采用CW算法确定出现所述最佳因子集合中的最佳因子的文档记录，并将确定的文档记录添加到候选集合中，包括：

根据CW算法确定出查询文本序列所需要使用到的滑动窗口的长度；

在文本序列上以预设方向的使用滑动窗口进行遍历，在每个滑动窗口中与预设方向相反的方向依次比较各字符，若查询某个查询的最长后缀，则报告了一个成功匹配，将记录加入到候选集合中，并向后继续滑动窗口，直至遍历结束。

在一种可能的实现方式中，根据所述正则表达式确定的DFA自动机对候选集合中的最佳因子的字符串进行验证，将得到成功匹配的字符串，包括

根据所述正则表达式构建对应的DFA自动机；

采用DFA自动机对所述候选集合进行匹配，得到成功匹配的字符串。

根据本公开实施例的另一方面，提供一种基于正则表达式的文档字符串编码识别装置，所述装置包括：