Масштабируемое регулярное выражение для английских цифр

См. Perl Lingua::EN::Words2Nums и Lingua::EN::FindNumber.

В частности, исходный код для Lingua::EN::FindNumber содержит:

# This is from Lingua::EN::Words2Nums, after being thrown through
# Regex::PreSuf
my $numbers =
    qr/((?:b(?:akers?dozen|illi(?:ard|on))|centillion|d(?:ecilli(?:ard|on)|ozen|u(?:o(?:decilli(?:ard|on)|vigintillion)|vigintillion))|e(?:ight(?:een|ieth|[yh])?|leven(?:ty(?:first|one))?|s)|f(?:i(?:ft(?:een|ieth|[yh])|rst|ve)|o(?:rt(?:ieth|y)|ur(?:t(?:ieth|[yh]))?))|g(?:oogol(?:plex)?|ross)|hundred|mi(?:l(?:ion|li(?:ard|on))|nus)|n(?:aught|egative|in(?:et(?:ieth|y)|t(?:een|[yh])|e)|o(?:nilli(?:ard|on)|ught|vem(?:dec|vigint)illion))|o(?:ct(?:illi(?:ard|on)|o(?:dec|vigint)illion)|ne)|qu(?:a(?:drilli(?:ard|on)|ttuor(?:decilli(?:ard|on)|vigintillion))|in(?:decilli(?:ard|on)|tilli(?:ard|on)|vigintillion))|s(?:core|e(?:cond|pt(?:en(?:dec|vigint)illion|illi(?:ard|on))|ven(?:t(?:ieth|y))?|x(?:decillion|tilli(?:ard|on)|vigintillion))|ix(?:t(?:ieth|y))?)|t(?:ee?n|h(?:ir(?:t(?:een|ieth|y)|d)|ousand|ree)|r(?:e(?:decilli(?:ard|on)|vigintillion)|i(?:gintillion|lli(?:ard|on)))|w(?:e(?:l(?:fth|ve)|nt(?:ieth|y))|o)|h)|un(?:decilli(?:ard|on)|vigintillion)|vigintillion|zero|s))/i;

подлежит лицензии Perl Artistic.

Вы можете использовать Regex::PreSuf для автоматического исключения общих пре- и суффиксов:

#!/usr/bin/perl

use strict;
use warnings;

use Regex::PreSuf;

my %singledigit = (
    one    => 1,
    two    => 2,
    three  => 3,
    four   => 4,
    five   => 5,
    six    => 6,
    seven  => 7,
    eight  => 8,
    nine   => 9,
);

my $singledigit = presuf(keys %singledigit);

print $singledigit, "\n";

my $text = "one two three four five six seven eight nine";

$text =~ s/($singledigit)/$singledigit{$1}/g;

print $text, "\n";

Вывод:

C:\Temp> cvb
(?:eight|f(?:ive|our)|nine|one|s(?:even|ix)|t(?:hree|wo))
1 2 3 4 5 6 7 8 9

Боюсь, дальше будет сложнее ;-)

В Perl есть несколько модулей, которые создают оптимизированные регулярные выражения (которые в основном используют только стандартные функции, поэтому их можно использовать в Java) с использованием различных методов. Вы можете увидеть примеры вывода Regexp::Assemble, Regexp::List, Regexp::Optimizer и Regex::PreSuf в http://groups.google.com/group/perl.perl5.porters/msg/132877aee7542015. Начиная с perl 5.10, сам perl обычно оптимизирует списки | точных строк в trie.

Что вы пытаетесь сделать и какой алгоритм вы используете?

Я не знаком с механизмом регулярных выражений Java, но другие механизмы регулярных выражений, которые я использовал (Perl, awk), позволяют вам захватывать совпадения. Например, если вы пытаетесь сопоставить:

один миллион сто тысяч сто один

У вас могло бы быть регулярное выражение, которое могло бы идентифицировать миллион, все, что до него (например, «один»), и все, что после него (например, «сто тысяч сто один»). Вещи до этого будут захвачены для дополнительного сопоставления (используя ваши сотни, десятки и единицы регулярных выражений), а вещи после него будут захвачены для дополнительного сопоставления (используя ваши тысячи регулярных выражений, сотни регулярных выражений, десятки регулярных выражений или единицы регулярных выражений).

Этот алгоритм по своей природе является рекурсивным, и его несложно реализовать. Не зная специфики того, что вы пытаетесь выполнить, или деталей механизма регулярных выражений Java, я не могу предложить больше.

Regex действительно плохой способ сделать это. Лично я бы просто создал небольшую карту всех известных слов и искал таким образом. (Поищите каждое слово, когда найдете совпадение, определите, совпадают ли слова рядом с ним, и продолжайте таким образом, пока не получите число).