Question

我有一个预定义的字符串列表，我希望在一个大文本文件中匹配。问题是文本中存在许多这些字符串，但是被我想要保留的虚假字符/ html-xml标记所打断。

例如，我想匹配'联合国总部' 它可以以下列形式存在于文本中：

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

我基本上需要知道这些字符串的位置，稍后我将处理虚假字符。我对非中断字符串的处理方式是：

sting_locations=[v.span() for v in re.finditer(our_string,text)]

正则表达式可以设置一些设置来忽略这些中断或解决方案是什么？

Answer 1

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)])

关键是".*?".join(s)，它会在.*?的每对连续字符之间插入s，以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.*?稍微收紧一点。

Answer 2

有两个避免灾难性回溯的解决方案和允许任意数量的中断！

解决方案A

这是最干净的解决方案，但需要regex模块（win binaries here）。它使用原子分组(?>...)来避免回溯：

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)])

解决方案B

如果您既未安装也不想安装regex模块，则可以使用来模仿原子分组。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)])

注意：正如femtoRgon所指出的，这两种方法都可以返回误报。

匹配不连续/中断的字符串

2 个答案: