Python url字符串匹配

时间:2013-03-12 21:37:16

标签: python string-matching url-parsing

我的问题如下。我有很长的网址列表,例如:

www.foo.com/davidbobmike1joe
www.foo.com/mikejoe2bobkarl
www.foo.com/joemikebob
www.foo.com/bobjoe

我需要将该列表中的所有条目(URL)相互比较,在这些URL的子域中提取关键字(在本例中为:david,joe,bob,mike,karl),并按频率对它们进行排序。我一直在阅读几个库,如nltk。然而,这里的问题是没有空格来独立地标记每个单词。关于如何完成工作的任何建议?

2 个答案:

答案 0 :(得分:1)

概述

您可以使用此代码提取名称,传入[david,bob等]列表:

Is there an easy way generate a probable list of words from an unspaced sentence in python?

然后使用collections.Counter获取频率。

代码

from Bio import trie
import string
from collections import Counter


def get_trie(words):
    tr = trie.trie()
    for word in words:
        tr[word] = len(word)
    return tr

def get_trie_word(tr, s):
    for end in reversed(range(len(s))):
        word = s[:end + 1]
        if tr.has_key(word): 
            return word, s[end + 1: ]
    return None, s

def get_trie_words(s):
    names = ['david', 'bob', 'karl', 'joe', 'mike']
    tr = get_trie(names)
    while s:
        word, s = get_trie_word(tr, s)
        yield word

def main(urls):
    d = Counter()
    for url in urls:
        url = "".join(a for a in url if a in string.lowercase)
        for word in get_trie_words(url):
            d[word] += 1
    return d

if __name__ == '__main__':
    urls = [
        "davidbobmike1joe",
        "mikejoe2bobkarl",
        "joemikebob",
        "bobjoe",
    ]
    print main(urls)

结果

Counter({'bob': 4, 'joe': 4, 'mike': 3, 'karl': 1, 'david': 1})

答案 1 :(得分:1)

限制

如果您拒绝使用字典,那么算法将需要大量计算。除此之外,不可能区分仅出现一次的关键字(例如“karl”)和蹩脚的序列(例如:“e2bo”)。我的解决方案将是最大的努力,只有在您的URL列表多次包含关键字时才会起作用。

基本理念

我假设一个单词是经常出现至少3个字符的字符序列。这可以防止字母“o”成为最受欢迎的单词。

基本思路如下。

  • 计算所有n个字母序列,并选择多次出现的次数。
  • 剪切作为较大序列一部分的所有序列。
  • 按受欢迎程度排序,您就有了解决问题的解决方案。 (留给读者练习)

在代码

import operator

sentences = ["davidbobmike1joe" , "mikejoe2bobkarl", "joemikebob", "bobjoe", "bobbyisawesome", "david", "bobbyjoe"];
dict = {}

def countWords(n):
    """Count all possible character sequences/words of length n occuring in all given sentences"""
    for sentence in sentences:
        countWordsSentence(sentence, n);

def countWordsSentence(sentence, n):
    """Count all possible character sequence/words of length n occuring in a sentence"""
    for i in range(0,len(sentence)-n+1):
        word = sentence[i:i+n]
        if word not in dict:
            dict[word] = 1;
        else:
            dict[word] = dict[word] +1;

def cropDictionary():
    """Removes all words that occur only once."""
    for key in dict.keys():
        if(dict[key]==1):
            dict.pop(key);

def removePartials(word):
    """Removes all the partial occurences of a given word from the dictionary."""
    for i in range(3,len(word)):
        for j in range(0,len(word)-i+1):
            for key in dict.keys():
               if key==word[j:j+i] and dict[key]==dict[word]:
                   dict.pop(key);

def removeAllPartials():
    """Removes all partial words in the dictionary"""
    for word in dict.keys():
        removePartials(word);

for i in range(3,max(map(lambda x: len(x), sentences))):
    countWords(i);
    cropDictionary();
    removeAllPartials();

print dict;

输出

>>> print dict;
{'mike': 3, 'bobby': 2, 'david': 2, 'joe': 5, 'bob': 6}

读者面临的一些挑战

  • 在打印之前按值对字典进行排序。 (Sort a Python dictionary by value
  • 在这个例子中,“bob”出现六次,2次是“bobby”的部分单词。确定这是否有问题并在必要时进行修复。
  • 考虑大写。