Python：如何在文本中找到n-gram模式？

我有一个可以任意长的字符串

s = 'Choose from millions of possibilities on Shaadi.com. Create your profile, search&contact; your special one.RegisterFree\xa0\xa0\xa0unsubscribing reply to this mail\xa0\n and 09times and this is limited time offer! and this is For free so you are saving cash'

我有一个垃圾词列表，可能是

p_words = ['cash', 'for free', 'limited time offer']

我只想知道输入文本中是否存在模式，以及有多少次

当它只有一个词时就变得简单了

import re
p = re.compile(''.join[p_words])  # correct me if I am wrong here
m = p.match(s)  

但它可以是双克、三克或n克

我们如何处理这个问题

p = re.compile('|'.join(re.escape(w) for w in p_words))

---

p

将匹配

p_单词中的任何字符串

正则表达式使用“|”分隔符。将每种情况下的空格替换为类似“\W+”，它与非字母匹配，我认为您可以这样做。

如果文本和字数不是很大，您可以从以下开始：

您可以将其性能与以下各项进行比较：

import re
from collections import Counter

p = re.compile('|'.join(map(re.escape, p_words)))
d = Counter(p.findall(s))
# -> Counter({'limited time offer': 2, 'cash': 2})

请将其速度与

fgrep

进行比较，以供参考。它应该能够快速匹配输入流中的多个字符串：

$ grep -F -o -f  patternlist.txt largetextfile.txt  | sort | uniq -c

输出

---

没有理由不这样做。@J.F.Sebastian如果对结果正则表达式使用

re.finditer

或

re.findall

。@Amber:

re.find*

枚举匹配项，但它们本身仍然不回答“多少次”@J.F.Sebastian-鉴于OP在不针对ngrams的情况下已经在使用正则表达式来解决问题，因此假设他们能够根据需要实现计数部分似乎是合乎逻辑的。如果您需要不区分大小写的关键字搜索，请参阅谢谢@J.F.Sebastian告诉我存在计数器，我不知道it@daydreamer：注意：如果使用此算法，计数器不是最快的：

$ grep -F -o -f  patternlist.txt largetextfile.txt  | sort | uniq -c

  2 cash
  2 limited time offer