搜索引擎脚本-正则表达式、多个文件、行号

我正在寻找一个搜索引擎脚本，或者可以：的搜索引擎

1. 搜索大量的大型文本文件，特别是数百个全文小说
2. 使用正则表达式返回单词和可能的变体
3. 给出所有匹配项在文件中的位置，例如行号或字数
4. 最好使用javascript或php，因为它们是我唯一擅长的语言，我可能不得不处理结果。但我相信我能咬紧牙关，学会任何需要的语言的语法
5. 根据字典过滤单词的搜索结果数组以查找专有名词（这可能不包括搜索引擎）

上下文和细节（有点长，只是有点重要）：

我有一个朋友正在做一篇博士论文，寻找19世纪小说中表亲婚姻的主题（想想莎士比亚戏剧）。筛选需要很长时间，尽管没有一种算法是完美的，但它应该会大大缩小范围。我在搜索"婚姻"这个词和它的每一个变体，"表亲"这个词，和它的每个变体，并查看它们的相对接近程度。当然，我在搜索数以百计的全文小说。

我很难找到它们的相对距离。除此之外，我可能需要搜索所有的名字，以确保有一个主角，如果没有主角的话。这意味着我正在尝试确定
A.一般名称
B.主角。-应该是最常用的名称之一

至于一般的名字，我不认为有一个完整的19世纪名字数据库，所以我只过滤专有名词。从那时起，我就遇到了标点符号后面的通用词和专有名词的难题。我想我最好的办法是通过一本综合词典过滤掉所有这些单词，留下专有名词。名字可能是最常用的，但看看我是否能过滤掉任何其他专有名词，比如地方。诚然，这远非完美，但它会大大缩小范围。

因此，这意味着要比较两个庞大的单词列表。有很多方法可以做到这一点，但如果它的格式很容易用我熟悉的语言处理，那将是理想的。我的最佳猜测是将大写单词的数组与字典单词的数组进行比较，找出差异。如果是php或javascript，我就很好了。至于任何其他语言，如果这是一个相对简单的操作，我相信我能很好地理解语法。

也许这有点太过了，但我们也很感激对整个算法和过程的任何建议。

非常感谢您的时间和帮助！通过节省无数小时的时间，你将为一篇巨大的博士论文做出贡献，所以我的朋友也会非常感激。

干杯！