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:Python 匹配不连续/中断字符串,python,regex,Python,Regex,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
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
(?>…)
,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
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)])