我有一个用Perl写的英语论坛网站，它不断被俄语垃圾邮件轰炸。有没有一种方法使用Perl和regex来检测俄语文本，以便我可以阻止它？
tez616oj1#
您可以使用以下命令来检测Cyrillic字符（用于俄语）：
[\u0400-\u04FF]+
如果你真的只需要俄语字符，你可以看看上述文件，其中包含用于基本俄语字母表的确切范围，即[\u0410-\u044F]。当然，您还需要考虑扩展西里尔字符，这些字符仅在俄语中使用-在文档中也提到了。
[\u0410-\u044F]
91zkwejq2#
如果一切都是这样编码的话，使用JG建议的unicode西里尔字符集是可以的。然而，这是垃圾邮件，在大多数情况下，事情不是。此外，垃圾邮件发送者经常在垃圾邮件中混合使用字符集，这进一步破坏了这种方法。我发现检测俄语垃圾邮件的最好方法（或者至少是过程中的初步步骤）是grep最常用的字符集：
koi8-r windows-1251 iso-8859-5
接下来的步骤是对剩下的内容尝试一些语言检测算法。如果这是一个足够大问题，使用付费服务，如谷歌翻译（也“检测”）或施乐。这些服务为IMO提供了最好的语言检测。
vsikbqxv3#
对于任何登陆这里的人来说，有一个非常不错的perl模块Lingua::Guess来检测字符串的语言。例如，在命令行中，您可以像这样使用它：
echo "Je suis en train d'essayer ce module, et voyons si ça marche bien." | perl -MLingua::Guess -MEncode=decode_utf8 -nlE 'say "Language is ", Lingua::Guess->new->guess( decode_utf8($_) )->[0]->{name}'
将产生：Language is french
Language is french
echo "このモジュールを上手く使えるかな。" | perl -MLingua::Guess -MEncode=decode_utf8 -nlE 'say "Language is ", Lingua::Guess->new->guess( decode_utf8($_) )->[0]->{name}'
将产生：Language is japanese在这个例子中，-M加载了perl模块Linguage::Guess，并且模块Encode（一个核心模块）与其函数decode_utf8一起使用，将utf-8字符串解码为perl的内部编码。
Language is japanese
-M
Linguage::Guess
3条答案
按热度按时间tez616oj1#
您可以使用以下命令来检测Cyrillic字符（用于俄语）：
如果你真的只需要俄语字符，你可以看看上述文件，其中包含用于基本俄语字母表的确切范围，即
[\u0410-\u044F]。当然，您还需要考虑扩展西里尔字符，这些字符仅在俄语中使用-在文档中也提到了。91zkwejq2#
如果一切都是这样编码的话，使用JG建议的unicode西里尔字符集是可以的。然而，这是垃圾邮件，在大多数情况下，事情不是。此外，垃圾邮件发送者经常在垃圾邮件中混合使用字符集，这进一步破坏了这种方法。
我发现检测俄语垃圾邮件的最好方法（或者至少是过程中的初步步骤）是grep最常用的字符集：
接下来的步骤是对剩下的内容尝试一些语言检测算法。如果这是一个足够大问题，使用付费服务，如谷歌翻译（也“检测”）或施乐。这些服务为IMO提供了最好的语言检测。
vsikbqxv3#
对于任何登陆这里的人来说，有一个非常不错的perl模块Lingua::Guess来检测字符串的语言。例如，在命令行中，您可以像这样使用它：
将产生：
Language is french将产生：
Language is japanese在这个例子中，
-M加载了perl模块Linguage::Guess，并且模块Encode（一个核心模块）与其函数decode_utf8一起使用，将utf-8字符串解码为perl的内部编码。