papenkin

До сабжа никак не доходят руки, поэтому обращаюсь сюда за помощью. Необходимо написать набор регулярных выражений для отлова мата и нежелательных выражений со стороны пользователей. Синтаксис совпадает с расширенными регулярными выражениями в перле.
Почитать можно тут или тут
Небольшой пример:
Необходимо запретить употребление слова "бол".
Самое простое: , но это приведет к ложному срабатыванию на слова "боль", "болт", поэтому добавлям пробел в начале и конце:
но и такое не сработает если написать в начале строки, заодно учтем изменение регистра и латинские символы:
А теперь надо отловить знаки пунктуации после слова добавим в конец s* - так мы отловим все символы пунктуации, а заодно воткнем его между всех символов дабы не писали "Б о Л Т":
Вроде все. Сам писал по памяти, поэтому могут быть ошибки.
Дабы не разводить тут пристанище скрытого мата, предлагаю сделать так: желающие помочь отписываются здесь и я добавляю их число тех, кто имеет доступ к "закрытому разделу". Или можно в личке обсудить.

/SV/

Добавляй...
Какую оболочку надо поставить, чтобы можно было тестировать? Verlihub я так понял на c++. Просто если что-то делать, то надо тут же проверять, как это работает. Т.е. как я понимаю, придется ставить себе сервер DC (+БД) чтобы можно было проверить на работоспособность?

papenkin

/SV/, работаю над этим вопросом. Хаб ставить не нужно, возможно придется поставить perl. Завтра выложу сборку скрипт + словарь (не мой, но надо проверить работу).

UPD. Что имеем:
- словарь (30М) - на нем проверяем ложные срабатывания;
- ява-скрипт для проверки регвыражений (под Win);
- стандартный egrep и perl в линухе;
- логи хаба за последний месяц;
Для начала работы не хватает "словаря мата". Кто может помочь с подборкой ругательств?

/SV/

Словарь, видимо, Зализняка+чат хаба?
В каком виде нужен словарь мата? В виде конкретных слов или всевозможных словоформ, как в примере? Как скажется на производительности сервера DC большой объем словаря? Может быть достаточно загнать туда лишь основные словоформы и задать исключения (варианты ложных срабатываний антимата?)