Python 匹配不连续/中断字符串

我有一个预定义的字符串列表，我想在一个大的文本文件中匹配这些字符串。问题是，这些字符串中的许多确实存在于文本中，但被我想要保留的伪字符/HTMLXML标记打断

例如，我想匹配“联合国总部” 它可以以以下形式存在于文本中：

United Nations & Headquarters
United <br> Nations Headquarters
United Natio<b>ns Hea</b>dquarters

正则表达式是否可以设置为以某种方式忽略这些中断，或者解决方案是什么？

import re
import re

text = """United Nations & Headquarters
United <br> Nations Headquarters
United Natio<b>ns Hea</b>dquarters"""

s = "United Nations Headquarters"

r = re.compile(".*?".join(s))
print([v.span() for v in r.finditer(text)])

text=“”联合国和总部
联合国总部
联合国总部
s=“联合国总部”
r=重新编译（“.*？.join”）
打印（[v.span（）表示r.finditer中的v（文本）]）

键是

“*？”.join（s）

，它在

s

的每对连续字符之间插入

*？

，将其转换为正则表达式

---

如果您想限制允许的中断，您可能更愿意将

*？

收紧一点。

有两种解决方案可以避免灾难性的回溯并允许任何数量的中断！

解决方案A

这是最干净的解决方案，但需要模块（win二进制文件）。它使用原子分组，

（？>…）

，以避免回溯：

import regex

strExampleFile = '''United Nations & Headquarters
United <br> Nations Headquarters
United Natio<b>ns Hea</b>dquarters'''

strSearch = 'United Nations Headquarters'

strRegex = regex.sub(r'((?<!^).)',r'(?>[\s\S]*?(?=\1))\1',strSearch)
rexRegex = regex.compile(strRegex)

print([objMatch.span() for objMatch in rexRegex.finditer(strExampleFile)])

导入正则表达式
strExampleFile=''联合国和总部
联合国总部
联合国总部“
STREARCH=‘联合国总部’
strRegex=regex.sub（r'（（？[\s\s]*？（？=\1））\1'，strSearch）
rexRegex=regex.compile（strRegex）
打印（[objMatch.span（）用于rexRegex.finditer（strExampleFile）中的objMatch）

解决方案B

如果您既没有安装也不想安装模块，则可以使用re模拟原子分组。但是，搜索字符串现在限制为最多100个字符：

import re

strExampleFile = '''United Nations & Headquarters
United <br> Nations Headquarters
United Natio<b>ns Hea</b>dquarters'''

strSearch = 'United Nations Headquarters'

strRegex = re.sub(r'((?<!^).)',r'(?=([\s\S]*?(?=\1)))\\##\1',strSearch)

for numBackReference in range(1,len(strSearch)) :
    strRegex = strRegex.replace("##", str(numBackReference),1)

rexRegex = re.compile(strRegex)

print([objMatch.span() for objMatch in rexRegex.finditer(strExampleFile)])

重新导入
strExampleFile=''联合国和总部
联合国总部
联合国总部“
STREARCH=‘联合国总部’
stregex=re.sub（r'(（？该文件是一个实际的html/xml/something文件吗？或者只是有时候里面有xml序列吗？它是word文档的xml文件，我寻找的字符串主要是被xml标记打断的。我认为不太清楚什么是可接受的匹配。如果它可以被打断任意多次，那么NPE非常宽容的回答就行了，而且这是一个可以接受的匹配：“联合导航员采取了行动，向发展中国家提供了大量美味的优质啤酒。”@femtoRgon你说得对，让我们关注被xml标记打断的字符串在这种情况下，而不是
*？
使用类似
（？：]+>）？
。这只会消除一个标记。也许这有点太宽容了，但也足够公平：Pinteresting解决方案，但这并不奇怪。
*？
在每个字符之间都会导致大量的回溯！你真的，真的想把它收紧很多。所以如何收紧这些，有些字符是只是连续的，当有中断时，它可以是数百个字符apart@hmghaly-我们需要确切地知道中断可能是什么。然后我们也许能够设计一个合适的正则表达式。
import re

strExampleFile = '''United Nations & Headquarters
United <br> Nations Headquarters
United Natio<b>ns Hea</b>dquarters'''

strSearch = 'United Nations Headquarters'

strRegex = re.sub(r'((?<!^).)',r'(?=([\s\S]*?(?=\1)))\\##\1',strSearch)

for numBackReference in range(1,len(strSearch)) :
    strRegex = strRegex.replace("##", str(numBackReference),1)

rexRegex = re.compile(strRegex)

print([objMatch.span() for objMatch in rexRegex.finditer(strExampleFile)])